摘要
随着工业现代化技术的发展，电子产品在生活中的应用越来越广泛。近几年国际和国内芯片的热潮涌来，电子芯片行业更是达到前所未有的热度和期许。印制电路板(PrintedCircuitBoard，简称PCB)无论是在生活中消费电子还是工业中更高精密设备生产中，都对PCB提出越来越高的要求。随着表面缺陷检测技术的发展，以深度学习理论为基础的检测方法具有识别效果好速度快等特点，得到了广泛的应用。因此，为了实现PCB缺陷的准确、快速检测，本文采用了基于深度学习的PCB缺陷检测方法，并针对PCB缺陷存在的样本数量少、特征尺度差异大、类别不平衡等问题，开展了以下工作: (1)数据预处理，主要是针对收集到的PCB缺陷图像进行整理分析，通过筛选一些缺陷不明显或无缺陷图片，并使用相关专门数据集标注工具对数据集图片打标处理，标出图片中缺陷的具体位置，最后将数据集转换成COCO数据集格式，为后续模型提供数据支持。 (2)提出一种基于RetinaNet的PCB缺陷检测方法。本文发现印制板表面缺陷的尺度存在差异，这种不一致的多尺度特征会导致网络模型在池化操作时会引起一部分细粒度空间特征的损失，以往PCB缺陷检测领域中存在的小目标缺陷检测效果差、缺陷样本少的问题，而RetinaNet作为一阶段目标检测网络在小目标检测上具有优势。同时通过损失函数(FocalLoss)有效解决样本类别不均衡的问题。实验结果证明，改进网络具有明显的性能优势，对PCB缺陷有着较好的检测效果，而所替换的多层次特征金字塔则有效提高了网络的检测精度。 (3)提出了一种基于深度强化学习DRPDet的PCB缺陷图像检测模型，先前基于矩形边界锚框的一阶段二阶段目标检测算法，如YOLO系列、SSD和FasterR-CNN一直占据统治地位，但是锚框表达仅描述了目标的粗略位置信息，无法进一步描述目标的细致形状等信息，本文采用可变形卷积和关键点相结合(Reppoints)的深度学习卷积神经网络进行PCB缺陷图像特征提取和分类，避免了依赖先验知识设置锚框;同时利用强化学习框架(DQN)进行缺陷特征迭代自主交互，将回归问题转化为序列问题，控制关键点在目标周围的定位动作，同时用矩形框式类别信息监督智能体，实现PCB缺陷图像精确识别。
NETL