申请/专利权人：桂林电子科技大学

申请日：2022-04-27

公开（公告）日：2024-03-29

公开（公告）号：CN114742811B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明公开了一种基于改进Yolox的SMT产线焊点缺陷快速检测方法及系统，该方法通过收集产线AOI设备所储存的焊点缺陷图像数据进行预处理，并按比例划分训练集和测试集；对Yolox神经网络结构进行改进，调整模型改进后backbone部分输出的size，以匹配neck网络部分，得到改进的Yolox神经网络模型；利用训练集和测试集对改进的Yolox神经网络进行模型训练和测试，得到SMT产线焊点缺陷目标检测模型；其中SMT产线焊点缺陷目标检测模型的输入为PCBA图像，输出为缺陷定位与分类；将检测模型嵌入SMT产线的AOI系统中，降低了神经网络模型的部署难度。使用目标检测模型对SMT产线上的PCBA焊点进行目标检测，可以有效提高SMT产线焊点质量检测的精度和效率。

主权项：1.一种基于改进Yolox的SMT产线焊点缺陷快速检测方法，其特征在于，包括如下步骤：1）收集SMT产线AOI设备所储存的焊点缺陷图像数据，对图像数据进行预处理后，将预处理后的数据按比例划分为训练集和测试集；2）对Yolox神经网络模型进行改进，调整模型改进后backbone部分输出的size，以匹配neck网络部分，得到改进的Yolox神经网络模型；改进方法如下：2-1）Yolox神经网络原有的backbone为CSPDarknet，将CSPDarknet与ResNet50的部分结构相结合；2-2）除去ResNet50的Stage1和Stage4后，保留CSPDarknet的Resblockbody4，并接入ResNet50的Stage3后方；2-3）匹配Stage3输出矩阵的size与Resblockbody4输入矩阵的size，并将Stage2、Stage3和Resblockbody的输出矩阵作为backbone部分提取的featuremap；2-4）调整各部分的输出channel，具体是：2-4-1）调整ResNet50的Stage2输入size，使其输出channel为256；2-4-2）调整ResNet50的Stage3输入size，使其输出channel为5122-4-3）调整CSPDarknet的Resblockbody4输入size，使其输出channel为1024；2-5）将将三部分featuremap分别接入Yolox的neck部分对应的模块，得到改进的Yolox神经网络模型；3）利用大数据集输入步骤2）得到的改进的Yolox神经网络模型进行预训练，得到预训练模型，再将步骤1）获得的训练集输入预训练模型中对模型进行训练，并将测试集输入训练后的模型中对模型进行测试，完成训练和测试后，得到SMT产线焊点缺陷目标检测模型；4）利用步骤3）得到的模型对SMT产线生产的PCBA图像进行焊点缺陷检测，得到检测结果，并将检测结果中含有焊点缺陷的数据作为新收集的焊点缺陷图像数据，重复步骤1）至步骤3）。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于改进Yolox的SMT产线焊点缺陷快速检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD