本發(fā)明涉及異常檢測領(lǐng)域，尤其涉及一種pcb板異常檢測方法及系統(tǒng)。

背景技術(shù)：

1、pcb（printed?circuit?board）板是電子產(chǎn)品的重要組成部分，用于支持和連接電子元器件。在pcb板的生產(chǎn)過程中，需要進(jìn)行異常檢測以確保板上元器件的正常焊接。

2、現(xiàn)有常見技術(shù)方案有基于傳統(tǒng)圖像處理算法的實現(xiàn)、基于深度學(xué)習(xí)的方法。

3、基于傳統(tǒng)圖像處理算法的思想為模板匹配，通過將實時生產(chǎn)環(huán)境中的pcb板與預(yù)先從生產(chǎn)環(huán)境中收集的正常樣本進(jìn)行對比，差別大于一定閾值的區(qū)域就定義為異常區(qū)域，但是，正常pcb板上焊接的元器件形態(tài)不完全一致，特別是分離元器件，模板匹配很難適應(yīng)這種正常焊接元器件形態(tài)的差異；另一方面，模板匹配對拍攝打光的要求也極其苛刻。

4、基于深度學(xué)習(xí)的方法定義為：預(yù)先定義pcb板的元器件類型，并收集涵蓋元器件的數(shù)據(jù)，以訓(xùn)練元器件的目標(biāo)檢測模型，但是，當(dāng)新元器件引入生產(chǎn)線，檢測模型需要重新收集數(shù)據(jù)進(jìn)行訓(xùn)練、模型更新；

5、另一種基于深度學(xué)習(xí)的pcb異常檢測算法為，通過模型訓(xùn)練得到正常pcb板的像素分布，異常pcb板的局部像素會不滿足學(xué)習(xí)到的像素分布，進(jìn)而可以找到異常區(qū)域，但是對于元器件較豐富的情況，模型極難學(xué)習(xí)到pcb板的像素分布。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于解決現(xiàn)有技術(shù)中面臨或是不魯棒，或是部署成本高的技術(shù)問題。本發(fā)明提供了一種pcb板異常檢測方法，包括以下步驟：

2、獲取pcb模板圖像和待檢測pcb板圖像；將待檢測pcb板圖像與所述pcb模板圖像進(jìn)行配準(zhǔn)和對齊；通過對比邊緣能量，得到待檢測pcb板圖像的一個或多個潛在異常區(qū)域；運(yùn)用度量模型對潛在異常區(qū)域與所述pcb模板圖像對應(yīng)坐標(biāo)框區(qū)域進(jìn)行比對，通過比對結(jié)果確認(rèn)異常狀態(tài)。

3、作為一種優(yōu)選的技術(shù)方案，所述獲取pcb模板圖像和待檢測pcb板圖像，包括：

4、將正常pcb板水平放置到平臺正中間，抓拍一張所述正常pcb板的圖像，得到pcb模板圖像；將所述pcb模板圖像與當(dāng)前款pcb進(jìn)行綁定，建立關(guān)聯(lián)關(guān)系；異常檢測時，獲取水平放置在平臺正中間的pcb板圖像，得到待檢測pcb板圖像。

5、作為一種優(yōu)選的技術(shù)方案，所述將待檢測pcb板圖像與所述pcb模板圖像進(jìn)行配準(zhǔn)和對齊，包括：

6、檢測所述將待檢測pcb板圖像與所述pcb模板圖像的角點、邊緣、斑點特征，并生成相應(yīng)的關(guān)鍵點描述子；根據(jù)所述關(guān)鍵點描述子，對所述將待檢測pcb板圖像與所述pcb模板圖像進(jìn)行關(guān)鍵點匹配，得到匹配的關(guān)鍵點對，從而建立兩幅圖像之間的對應(yīng)關(guān)系；通過所述匹配的關(guān)鍵點對計算得到變換矩陣；將所述變換矩陣應(yīng)用于待檢測pcb板圖像，將待檢測pcb板圖像變換到與所述pcb模板圖像對齊的位置。

7、作為一種優(yōu)選的技術(shù)方案，所述通過對比邊緣能量，得到待檢測pcb板圖像的一個或多個潛在異常區(qū)域，包括：

8、使用邊緣檢測算法提取所述待檢測pcb板圖像與所述pcb模板圖像的邊緣信息；對于檢測到的每條邊緣，計算其邊緣能量；將每個像素點的邊緣能量值作為該點的灰度值，構(gòu)建出整個圖像的邊緣能量圖；對兩幅邊緣能量圖進(jìn)行歸一化處理，使所述兩幅邊緣能量圖的灰度值范圍相同，得到歸一化后的邊緣能量圖；計算兩幅歸一化后的邊緣能量圖之間的差值圖，所述差值圖中的每個像素值表示對應(yīng)位置在兩幅圖像中邊緣能量的差異；設(shè)定一像素分割閾值，將差值圖中的像素分割為兩類：差異顯著和差異不顯著；基于差值圖的分割結(jié)果，通過連通域分析算法找出所述待檢測pcb板圖像所有連續(xù)的、差異顯著的一個或多個像素集合，所述像素集合對應(yīng)的位置為潛在異常區(qū)域。

9、作為一種優(yōu)選的技術(shù)方案，所述運(yùn)用度量模型對潛在異常區(qū)域與所述pcb模板圖像對應(yīng)坐標(biāo)框區(qū)域進(jìn)行比對，通過比對結(jié)果確認(rèn)異常狀態(tài)，包括：

10、對潛在異常區(qū)域和pcb模板圖像對應(yīng)坐標(biāo)框區(qū)域進(jìn)行預(yù)處理，得到預(yù)處理圖像；使用度量模型從預(yù)處理圖像區(qū)域中提取特征向量；計算潛在異常區(qū)域特征向量與所述pcb模板圖像對應(yīng)坐標(biāo)框區(qū)域特征向量之間的相似度；設(shè)定一相似度閾值，根據(jù)相似度閾值來判斷是否異常。

11、作為一種優(yōu)選的技術(shù)方案，所述使用度量模型從預(yù)處理圖像區(qū)域中提取特征向量，包括：

12、選擇度量模型，所述度量模型包括sift、surf、hog、cnn中的一種或幾種；將預(yù)處理圖像區(qū)域輸入到所選的度量模型中；使用所述度量模型，根據(jù)預(yù)處理圖像的內(nèi)容生成一系列特征描述子；通過詞袋模型（bag?of?words,?bow）、vlad（vector?of?locallyaggregated?descriptors）方法對提取的特征描述子進(jìn)行編碼，以生成特征向量。

13、作為一種優(yōu)選的技術(shù)方案，所述度量模型采用以下方式進(jìn)行訓(xùn)練：

14、收集各種元器件的圖像，確保數(shù)據(jù)的多樣性和豐富性，以覆蓋不同形狀、顏色、尺寸的元器件；通過旋轉(zhuǎn)、縮放、裁剪、翻轉(zhuǎn)方式對圖像進(jìn)行增強(qiáng)；基于dino模型，構(gòu)建元器件特征提取模型；對于每個元器件圖像，選擇與其相似的圖像作為正樣本，選擇與其不相似的圖像作為負(fù)樣本，相似性的定義通過元器件的輪廓、顏色、紋理特征設(shè)定；使用對比學(xué)習(xí)的損失函數(shù)優(yōu)化模型參數(shù)，所述損失函數(shù)旨在使得模型能夠正確區(qū)分正負(fù)樣本對；設(shè)置訓(xùn)練參數(shù)：包括學(xué)習(xí)率、批大小、訓(xùn)練輪數(shù)；使用梯度下降優(yōu)化算法對模型進(jìn)行訓(xùn)練，通過最小化對比學(xué)習(xí)損失函數(shù)更新模型參數(shù)；通過驗證集監(jiān)控模型的性能，確保模型沒有過擬合或欠擬合；使用測試集對訓(xùn)練好的模型進(jìn)行評估，計算其在元器件特征提取任務(wù)上的性能指標(biāo)，如準(zhǔn)確率、召回率；根據(jù)評估結(jié)果對模型進(jìn)行調(diào)優(yōu)，包括調(diào)整模型結(jié)構(gòu)、參數(shù)或訓(xùn)練策略，得到用于pcb板局部區(qū)域度量的模型。

15、本發(fā)明第二方面提供了一種pcb板異常檢測裝置，包括：

16、放置pcb板的平臺和固定且正俯視拍攝所述平臺的工業(yè)相機(jī)；

17、所述裝置還包括：

18、獲取單元，所述獲取單元用于獲取pcb模板圖像和待檢測pcb板圖像；

19、對齊單元，所述對齊單元用于將待檢測pcb板圖像與所述pcb模板圖像進(jìn)行配準(zhǔn)和對齊；

20、異常區(qū)域確認(rèn)單元，所述異常區(qū)域確認(rèn)單元用于通過對比邊緣能量，得到待檢測pcb板圖像的一個或多個潛在異常區(qū)域；

21、異常狀態(tài)確認(rèn)單元，所述異常狀態(tài)確認(rèn)單元用于運(yùn)用度量模型對潛在異常區(qū)域與所述pcb模板圖像對應(yīng)坐標(biāo)框區(qū)域進(jìn)行比對，通過比對結(jié)果確認(rèn)異常狀態(tài)。

22、本發(fā)明第三方面提供了一種電子設(shè)備，包括：存儲器和至少一個處理器，所述存儲器中存儲有指令，所述存儲器和所述至少一個處理器通過線路互連；所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述電子設(shè)備執(zhí)行上述的如上所述的pcb板異常檢測方法。

23、本發(fā)明的第四方面提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)中存儲有指令，當(dāng)其在計算機(jī)上運(yùn)行時，使得計算機(jī)執(zhí)行上述的如上所述的pcb板異常檢測方法。

24、本發(fā)明具有以下有益效果：

25、本發(fā)明方案通過對比邊緣能量來識別潛在異常區(qū)域。利用了pcb板圖像中邊緣信息的豐富性，通過對比模板圖像和待檢測圖像在邊緣能量上的差異，能夠快速、準(zhǔn)確地定位到可能存在異常的區(qū)域。這種方法相比傳統(tǒng)的單純的基于像素值的差異檢測方法更為敏感和準(zhǔn)確。

26、本方案能夠較高準(zhǔn)確地實現(xiàn)pcb板異常檢測，同時對于新增pcb板及新元器件引入時，只需新增當(dāng)前款pcb板正常模型即可。本發(fā)明方案引入度量模型對潛在異常區(qū)域與模板圖像對應(yīng)坐標(biāo)框區(qū)域進(jìn)行比對。這種度量模型包括多種特征的比對，如形狀、紋理、顏色等，能夠提供更為全面和細(xì)致的異常檢測。由于不同元器件間存在一些共性，如元器件的輪廓大致相近、色彩分布相似。當(dāng)此度量模型完成訓(xùn)練，它有更強(qiáng)的推廣能力——在引入新元器件的時候不再需要重新訓(xùn)練。

27、邊緣能量算法主要關(guān)注邊緣信息的異常變化，對于某些類型的異常（如元件缺失、錯位等）具有較好的檢測效果。然而，對于其他的異常（如元件顏色變化、輕微變形等），需要依賴度量模型算法進(jìn)行比對和分析。因此，兩者結(jié)合使用能夠覆蓋更廣泛的異常類型。