本發(fā)明涉及圖像處理，尤其涉及一種多尺度微小缺陷的快速檢測方法、計(jì)算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著3c產(chǎn)業(yè)需求的不斷增加和生產(chǎn)效率的提升，現(xiàn)代化設(shè)備越來越趨向于精密化，pcb制造工藝也日趨成熟，單位面積電路板的元器件密度越來越高。各類生產(chǎn)制造過程中出現(xiàn)的微小缺陷，都會對電路板的性能造成極大影響，甚至破壞整個電路板?，F(xiàn)有的視覺檢測算法在處理高密度背景下微小目標(biāo)檢測任務(wù)時，容易受到外界環(huán)境的干擾，對于多尺度微小缺陷的識別效率及準(zhǔn)確率均難以滿足3c產(chǎn)業(yè)的技術(shù)發(fā)展需求。

2、在實(shí)際的工業(yè)環(huán)境下，印刷生產(chǎn)過程中會出現(xiàn)短路、斷路、缺孔等缺陷，而且這些缺陷在密集的電路板中是非常細(xì)小的，現(xiàn)有的一些算法對小目標(biāo)的缺陷存在不足，精度和召回率往往都很低；另外，現(xiàn)有視覺檢測算法對于尺度多變的缺陷檢測效果較差。例如，電路板中也會存在物理破損缺陷的問題，并在生產(chǎn)過程中出現(xiàn)虛銅缺陷，這兩種缺陷相較于短路和斷路缺陷具有尺度多變的特點(diǎn)。其中，對于物理破損缺陷，往往表現(xiàn)得更細(xì)小，難以檢測；相反對于虛銅這種類別的缺陷，雖然較大，但是表現(xiàn)出扁而長的特點(diǎn)，且缺陷的大小是物理破損的好幾倍；此外，電路板具有低辨識度的特性，因?yàn)殂~板表面覆蓋了一層阻焊油墨，在較暗的光照下，細(xì)小的缺陷往往會和正常線路非常相似，現(xiàn)有得視覺檢測模型容易造成漏檢，導(dǎo)致模型的召回率很低；再者，現(xiàn)有的視覺檢測算法雖然可以達(dá)到較快的檢測速度，但是精度難以保證。

3、以上所列出的現(xiàn)有視覺檢測算法的不足，都是由于模型在對小目標(biāo)的特征提取上存在不足、對小目標(biāo)的多尺度融合過程中丟失了部分重要信息，以及在尺度融合過程中對于一些特征過度融合，導(dǎo)致模型對于小目標(biāo)、多尺度目標(biāo)融合不足，最終導(dǎo)致模型性能較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于，提供一種多尺度微小缺陷的快速檢測方法、計(jì)算機(jī)設(shè)備及存儲介質(zhì)，能快速并準(zhǔn)確地檢測出電路板上的多尺度微小缺陷，檢測效率及檢測準(zhǔn)確高。

2、為了解決上述技術(shù)問題，本發(fā)明提供了一種多尺度微小缺陷的快速檢測方法，包括：采集電路板的圖像并進(jìn)行預(yù)處理，以獲得圖像檢測數(shù)據(jù)；將所述圖像檢測數(shù)據(jù)輸入至預(yù)先搭建好的缺陷檢測模型中，以獲得缺陷檢測結(jié)果；其中，所述缺陷檢測模型是基于改進(jìn)的yolov8網(wǎng)絡(luò)結(jié)構(gòu)搭建而成的，所述改進(jìn)的yolov8網(wǎng)絡(luò)結(jié)構(gòu)包括小目標(biāo)增強(qiáng)的主干網(wǎng)絡(luò)、基于dcmac-pan結(jié)構(gòu)的頸部網(wǎng)絡(luò)和目標(biāo)檢測網(wǎng)絡(luò)，所述缺陷檢測模型的訓(xùn)練步驟包括：對獲取圖像數(shù)據(jù)集進(jìn)行離線數(shù)據(jù)增強(qiáng)，以獲得圖像訓(xùn)練數(shù)據(jù)集；通過小目標(biāo)增強(qiáng)的主干網(wǎng)絡(luò)對所述圖像訓(xùn)練數(shù)據(jù)集進(jìn)行不同層級的特征提取并保留小目標(biāo)的特征數(shù)據(jù)，以獲得不同層級的特征圖；通過dattention模塊增強(qiáng)所述特征圖中的多尺度特征數(shù)據(jù)的融合，其中，dattention模塊設(shè)置在所述主干網(wǎng)絡(luò)的尾端；通過基于dcmac-pan結(jié)構(gòu)的頸部網(wǎng)絡(luò)對所述特征圖中的上下文信息進(jìn)行增強(qiáng)提取并促進(jìn)不同層級的特征圖進(jìn)行融合，以生成多尺度特征的特征圖；通過目標(biāo)檢測網(wǎng)絡(luò)對多尺度特征的特征圖進(jìn)行預(yù)測處理，以獲得相應(yīng)的預(yù)測框；通過wise-giou損失函數(shù)動態(tài)調(diào)整預(yù)測框的位置及大小，以獲得最優(yōu)的預(yù)測框從而完成模型的訓(xùn)練。

3、作為上述方案的改進(jìn)，所述對獲取圖像數(shù)據(jù)集進(jìn)行離線數(shù)據(jù)增強(qiáng)的步驟包括：對獲取的圖像數(shù)據(jù)集進(jìn)行圖像擴(kuò)充處理，以增大所述圖像數(shù)據(jù)集中的圖像數(shù)據(jù)，其中，圖像擴(kuò)充處理包括隨機(jī)翻轉(zhuǎn)、隨機(jī)縮放、隨機(jī)裁剪、增減亮度和高斯噪聲處理中的任意一種或幾種。

4、作為上述方案的改進(jìn)，所述小目標(biāo)增強(qiáng)的主干網(wǎng)絡(luò)的改進(jìn)步驟包括：在原yolov8網(wǎng)絡(luò)結(jié)構(gòu)的主干網(wǎng)絡(luò)中新增多個spdconv模塊，以增強(qiáng)小目標(biāo)信息的特征提取，其中，新增后的主干網(wǎng)絡(luò)包括依序連接的第一conv模塊、第二conv模塊，第一spdconv模塊、第一c2f模塊、第三conv模塊、第二spdconv模塊、第二c2f模塊、第四conv模塊、第三spdconv模塊、第三c2f模塊、第五conv模塊、第四spdconv模塊、第四c2f模塊和sppf模塊；在所述sppf模塊之后引入與其連接的dattention模塊，以構(gòu)建出小目標(biāo)增強(qiáng)的主干網(wǎng)絡(luò)；其中，所述第一conv模塊用于接收輸入的圖像訓(xùn)練數(shù)據(jù)集，所述第二c2f模塊、第三c2f模塊和dattention模塊分別輸出不同層級的特征圖至dcmac-pan結(jié)構(gòu)中。

5、作為上述方案的改進(jìn)，所述基于dcmac-pan結(jié)構(gòu)的頸部網(wǎng)絡(luò)的改進(jìn)步驟包括：在原頸部網(wǎng)絡(luò)中采用dcmac-pan結(jié)構(gòu)替換原始結(jié)構(gòu)，以增強(qiáng)提取所述特征圖中的上下文信息，并整合不同尺度的特征數(shù)據(jù)；其中，在所述dcmac-pan結(jié)構(gòu)中采用dysample模塊替換原上采樣模塊，以保留更多的小目標(biāo)或更細(xì)粒度的特征數(shù)據(jù)；

6、所述dcmac-pan結(jié)構(gòu)包括依序連接的第一ca模塊、第一conv2d模塊、第一dysample模塊、第二dysample模塊、第一特征融合模塊、第二conv2d模塊、第三conv2d模塊和第二特征融合模塊；

7、其中，所述第一conv2d模塊還與第二特征融合模塊連接，所述第二conv2d模塊還與第三特征融合模塊連接，所述第一dysample模塊還經(jīng)第四特征融合模塊與第三特征融合模塊連接；小目標(biāo)增強(qiáng)的主干網(wǎng)絡(luò)輸出的不同層級的特征圖分別經(jīng)第一ca模塊、第四特征融合模塊和一特征融合模塊輸入至所述dcmac-pan結(jié)構(gòu)中，所述第一特征融合模塊、第二特征融合模塊和第三特征融合模塊分別將不同層級的特征圖進(jìn)行融合并輸出相應(yīng)的多尺度特征的特征圖至目標(biāo)檢測網(wǎng)絡(luò)中。

8、作為上述方案的改進(jìn)，所述第一特征融合模塊、第二特征融合模塊、第三特征融合模塊和第四特征融合模塊均為cmac模塊，所述camc模塊能對不同尺度的特征信息進(jìn)行融合。

9、作為上述方案的改進(jìn)，所述cmac模塊包括第二ca模塊、第三ca模塊、conv2d模塊、multiply模塊、add模塊和c2f模塊，第二ca模塊經(jīng)conv2d模塊與multiply模塊連接，第三ca模塊與multiply模塊連接，第二ca模塊和第三ca模塊分別用于接收不同層級的特征圖，所述multiply模塊經(jīng)add模塊與c2f模塊連接，所述c2f模塊用于融合不同層級的特征圖并輸出融合結(jié)果。

10、相應(yīng)地，本發(fā)明還提供了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)上述的方法的步驟。

11、相應(yīng)地，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述方法的步驟。

12、實(shí)施本發(fā)明，具有如下有益效果：

13、本發(fā)明能通過改進(jìn)的缺陷檢測模型快速并準(zhǔn)確地檢測出電路板上的多尺度微小缺陷，檢測效率及檢測準(zhǔn)確高，從而提高電路板生產(chǎn)加工效率及生產(chǎn)質(zhì)量。

14、其中，缺陷檢測模型能增強(qiáng)小目標(biāo)的特征數(shù)據(jù)的提取性能并能促進(jìn)特征圖中的多尺度特征數(shù)據(jù)的融合，以整合全局信息和局部信息，提高小目標(biāo)信息的檢測能力；模型還采用dmac-pan網(wǎng)絡(luò)結(jié)構(gòu)的頸部網(wǎng)絡(luò)，并使用dysample替換原始結(jié)構(gòu)中的上采樣模塊，且結(jié)合了pan的特征金字塔的思想，以對不同層次的特征圖進(jìn)行有效地融合，能加強(qiáng)特征的表示能力，從而提高模型對復(fù)雜場景中小目標(biāo)的識別能力；模型還采用wise-giou損失函數(shù)來增強(qiáng)邊界框回歸性能，以動態(tài)調(diào)整預(yù)測框的位置及大小，進(jìn)而獲得最優(yōu)的預(yù)測框信息，提高檢測準(zhǔn)確度及檢測效率。