摘要：现有的印刷电路板(PCB)缺陷检测与识别算法大多都采取传统的图像处理和识别过程:即缺陷检测,特征提取和缺陷识别。由于电路板的复杂性,传统方法对于种类较多的缺陷很难达到精确分类,提出一种基于深度学习的PCB缺陷识别算法。首先对参考图像与待测图像进行差分操作找出PCB缺陷区域,然后针对缺陷区域,设计了包括2个卷积层、2个下采样层和4个全连接层的卷积神经网络模型。将PCB缺陷图像批量归一化,选取ReLU作为激活函数,Maxpooling作为下采样方法,并使用Softmax回归分类器训练并优化卷积神经网络。该方法分别与目前生产线上常用的基于方向梯度直方图、尺度不变特征变换特征和支持向量机结合的识别方法进行了比对,实验结果表明,该方法的正确识别显著提高,对于10类PCB缺陷可以得到96.67%的识别准确率,具有较好的应用前景。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
