论文部分内容阅读
近年来,随着人类科技的不断进步,各类电子设备也越来越频繁地出现在我们的生活之中,而在这个过程中电路板正发挥着不可替代的作用。手机、笔记本电脑、数字相机等电子产品的普及对电路板的轻便性和可靠性提出了挑战,传统的印制电路板已经不能满足用户们日益增长的消费需求。柔性电路板（Flexible Printed Circuit,FPC）成为电子产品微型化和移动要求的最佳解决方案。FPC本身材质脆弱且工艺复杂,每个生产流程都可能产生不同种类的缺陷。如果没有及时检测这些缺陷,将会造成进一步的损失。所以,FPC的缺陷检测工作显得尤为重要。目前FPC产业多采用人工和仪器相结合的方法来完成质量检测,根据工艺步骤的重要程度选择全检或是抽检,这种方式效率低下且成本高昂。因此,设计自动化、智能化的FPC缺陷检测模型对FPC产业有着不言而喻的重要意义。深度学习近年来飞速发展,很多研究人员也将其与各个领域结合并产生了许多突破和实际效益。尤其是在计算机视觉领域,深度神经网络的普及使得人脸识别、自动驾驶、工业机器人等成为现实。FPC缺陷种类繁多,电路背景复杂且特征尺度差异较大,这些问题使得模型的特征工程格外困难,导致大部分传统的基于机器视觉的缺陷检测算法不再适用。除此之外,快速更替的生产线和相对匮乏的缺陷样本数据也对FPC缺陷检测模型的研发提出挑战。深度学习成为解决FPC缺陷检测问题的关键技术。本文主要工作和贡献如下:1、针对FPC缺陷特征形态复杂、特征种类繁多等问题,本文构建了 FPC缺陷数据集,提出了基于Faster R-CNN的FPC缺陷检测模型。通过加入融合特征金字塔、卷积组注意力、中心损失等子模块,提高了模型对于FPC复杂缺陷特征信息的提取能力。同时,本文还选择了预热学习率结合余弦衰减的训练策略和ResNet101主干网络,使得模型在训练中收敛更快,泛化能力更强。本文模型在构建的FPC缺陷数据集上相较其他检测模型性能提升了1%,并且各类检测准确率大于90%,同时召回率大于95%。2、针对FPC实际生产场景中数据匮乏、生产线更迭速度快的问题,本文提出了基于小样本学习的FPC缺陷检测模型。该模型采用元学习的思想,利用片段式的训练策略分阶段训练模型的K模态映射模块,使其能学习到任务级的知识,避免过拟合的发生。当训练样本仅1至10个时,本文模型与传统方法相比性能有明显提升,有效解决了 FPC缺陷检测模型的泛化问题。