基于深度學習的機器人電路板自主故障檢測系統(tǒng)

黃 威， 袁廷翼， 鄧百川， 鄒文峰， 張 鋒， 曹 暉

(1.廣東省惠州供電局， 廣東 惠州 516003； 2.西安交通大學電氣工程學院， 陜西 西安 710049)

1 引言

機器人在生產(chǎn)制造以及使用過程中，由于電路板出現(xiàn)故障而發(fā)生失控或者損壞的情況很多，因此電路板的故障檢測是保障機器人在使用過程中正常工作的關(guān)鍵[1]。印刷電路板作為電子設(shè)計過程中的基本組成部分，經(jīng)過多年的演進已經(jīng)發(fā)展成為一個非常復(fù)雜的組件。電路板的表面缺陷很大程度上反映了電路板的質(zhì)量[2]，因此檢測電路板的表面缺陷非常重要。早期使用人工目力檢測的方法，具有檢測效率低，人工成本高，不確定因素多，檢測信息不易整合等特點[3]。在線儀器檢測方法存在測試點設(shè)置困難、測試夾具制造成本高、調(diào)試時間長等缺點，難以滿足現(xiàn)代工業(yè)生產(chǎn)和質(zhì)量檢測的需要[4]。這些方法對傳感器等硬件依賴較大，并且存在檢測效率低、誤檢率高的問題。自動光學檢測系統(tǒng)(Automated Optical Inspection,AOI)比人工檢測方便快捷，AOI通過分析處理電路板的基準圖像信息，控制傳感器的光學成像設(shè)備對待檢測板以光學掃描的方式提取出帶檢測板的輪廓以及色彩信息。根據(jù)對比算法將待檢板與樣板進行分析判斷，實現(xiàn)信息過濾以及缺陷分類，最終將分析得到的故障信息反饋給用戶[5]，但其誤檢率均高于人工檢測。電路板自主故障檢測有幾處難點：首先，實際市場上有很多不同的電路板，不同的電路板有不同的復(fù)雜布線設(shè)計規(guī)則。作為通用的制造算法，很難兼容各種電路板，傳統(tǒng)的電路板缺陷檢測方法不穩(wěn)定。其次，電路板缺陷的類型和特點一般是多種多樣的。最后，行業(yè)內(nèi)大量電路板缺陷樣本采集難度很大，導致沒有辦法訓練復(fù)雜度較高的模型?；谏疃葘W習的缺陷檢測方法是實現(xiàn)精準調(diào)控和智能工廠的有效手段，安全可靠，可在多種環(huán)境下長時間運行[6]。與人工目檢和在線儀器檢測方法相比，基于深度學習的檢測方法不僅可以有效克服人工目檢和在線儀器檢測的弊端，還可以提高生產(chǎn)和質(zhì)檢效率。隨著深度學習圖像檢測技術(shù)的發(fā)展，特別是在特征提取和端到端檢測方面，深度學習網(wǎng)絡(luò)能夠準確、快速地從圖像中識別目標，具有很強的魯棒性。因此，基于深度學習的自動化缺陷檢測技術(shù)在電路板缺陷檢測領(lǐng)域的應(yīng)用日漸增多[7]。

深度卷積網(wǎng)絡(luò)隨著卷積層的加深，目標的整體結(jié)構(gòu)特征越來越明顯，但細粒度特征逐漸消失。對于電路板缺陷檢測，整體結(jié)構(gòu)信息有利于識別缺陷類別，細粒度特征可以更好地定位小缺陷。因此，基于深度學習的電路板缺陷檢測有幾個難點：第一個問題是如何設(shè)計合理的錨框。電路板缺陷圖像不同于開源數(shù)據(jù)集中的常見圖像。缺陷只占電路板圖像的一小部分。因此，如何設(shè)計合適的錨固框架自然成為一個挑戰(zhàn)。第二，如何通過重新設(shè)計更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Networks, R-CNN)架構(gòu)來集成多尺度特征圖。從根本上說，細小缺陷檢測的主要挑戰(zhàn)是細小缺陷的分辨率在前向傳播過程中會逐漸減小，直到在骨干網(wǎng)的前向計算中由于其特性而消失。因此，需要根據(jù)電路板缺陷的微觀尺度和不規(guī)則形狀重新設(shè)計網(wǎng)絡(luò)的架構(gòu)。

綜上所述，針對電路板故障缺陷的特點，本文提出了基于深度學習的機器人電路板自主故障缺陷檢測系統(tǒng)。該網(wǎng)絡(luò)首先以壓縮-激發(fā)網(wǎng)絡(luò)(Squeeze-and-Excitation Networks, SENet)作為骨干網(wǎng)絡(luò)，通過多尺度的卷積結(jié)合注意力機制提取出輸入圖像的特征信息，將提取到的特征輸入?yún)^(qū)域提議網(wǎng)絡(luò)生成感興趣區(qū)域，再通過感興趣區(qū)域?qū)R層提取固定尺寸的特征圖，然后通過全連接層進行缺陷的分類預(yù)測以及檢測框的回歸預(yù)測，最后通過級聯(lián)神經(jīng)網(wǎng)絡(luò)提升檢測框的回歸和分類的精度，從而實現(xiàn)缺陷的精確檢測。本文提出的方法能夠?qū)τ≈齐娐钒宓娜笔Э?、鼠標咬傷、開路、短路、雜散和偽銅等缺陷進行有效地故障檢測。通過實驗的定量結(jié)果表明：本文的方法在公開的電路板缺陷檢測測試集上在交并比取值從0.5到0.95下的AP值達到55.7%，交并比取值為0.5時AP值達到99.4%，滿足電路板缺陷檢測的實際檢測需求，且該方法具有較好的移植性，可以很好地移植到類似缺陷檢測的場景。

2 電路板故障檢測原理

當下比較主流的電路板故障檢測方法根據(jù)其檢測原理可以大致分為參考法和非參考法。

2.1 基于參考法的電路板缺陷檢測方法

參考方法是通過識別標準電路板圖像像素到像素(或特征到特征)與測試的電路板圖像之間的差異進行的。此類方法可以檢測明顯的缺陷，例如短路、開路。圖像減法是最簡單最直接的參考，用異或邏輯算子逼近。減法速度很快，因為只能比較兩種類型的像素值。這種方法的優(yōu)點是很容易在電路板中實現(xiàn)，并且可以驗證電路板幾何形狀的整體缺陷[8]。最簡單直接的方法是使用異或計算方法計算待測電路板圖像對應(yīng)的像素與標準圖像之間的邏輯關(guān)系[9]。參考法的一般流程如下：

(1)待檢測樣板的檢測圖像提取。

(2)根據(jù)缺陷特征進行圖像預(yù)處理，包括圖形形態(tài)學濾波、圖像光學處理、圖像裁切等。

(3)缺陷定位，即與標準樣本圖像進行對齊以及位置校準。

(4)故障檢測。采用顏色或灰度以及邊緣輪廓信息對樣板以及待檢板進行特征提取，對比差異確定故障置信度、故障區(qū)域以及故障類別。

這些方法可以檢測明顯的缺陷，如短路、開路。這種方法檢測簡單，但由于需要將參考圖像與檢測圖像準確對齊，對于電路板檢測比較難以實現(xiàn)。由于從生產(chǎn)環(huán)境中獲取的電路板圖像，可能會有對齊錯位，顏色和亮度的差異等問題，所以這種方法是比較難以應(yīng)用的。

另一種是基于特征匹配算法[10]，通過特征提取算子從整幅圖像中提取魯棒性更好的特征。提取的特征通常包括特定區(qū)域的輪廓信息、幾何信息以及紋理信息。

2.2 基于非參考法的電路板缺陷檢測方法

電路板的缺陷檢測本質(zhì)上是目標檢測的任務(wù)，可以分為兩類：一類基于錨框的兩階段方法，主要是更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Networks, Faster R-CNN)[11]系列算法等，這類算法是基于區(qū)域提議網(wǎng)絡(luò)先生成候選框，再對候選框進行類別區(qū)別和更加精確的回歸；另一類是直接得到目標位置和類別的一階段方法，例如YOLO[12]、單發(fā)多盒探測器(Single Shot multibox Detector, SSD)[13]、基于區(qū)域的全卷積網(wǎng)絡(luò)(Region-based Fully Convolutional Networks, R-FCN)[14]等。一階段算法速度比二階段更快，但是精度會更低一些。然而，這些傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)方法通常使用滑動窗口[15]來對缺陷進行局部化，當輸入圖像的大小和尺度不同時，很難確定窗口的大小，因此，上述方法難以在電路板缺陷檢測中得到廣泛應(yīng)用。文獻[16]在Faster R-CNN的基礎(chǔ)上提出電路板微小缺陷檢測網(wǎng)絡(luò)(Tiny Defect Detection Network, TDD-Net)，使用卷積殘差網(wǎng)絡(luò)-101[17]作為主干網(wǎng)絡(luò)，通過特征金字塔網(wǎng)絡(luò)進行特征融合[18]，設(shè)計針對電路板缺陷的錨框尺寸，達到98 %以上的準確度。U形全卷積網(wǎng)絡(luò)[19]在特征金字塔網(wǎng)絡(luò)的基礎(chǔ)上對網(wǎng)絡(luò)結(jié)構(gòu)進行更精細化的設(shè)計，使算法更為高效，完全可以作為特征金字塔的替代方案使用。

由于電路板故障檢測任務(wù)對檢測速度要求不高，本文提出方法是基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)算法[20]構(gòu)建的電路板缺陷檢測方法，屬于非參考法中的二階段算法。

Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)通過區(qū)域提議網(wǎng)絡(luò)能夠得到更少且更為有效的提議區(qū)域，使得目標檢測的精度更高。圖1為該算法的區(qū)域提議網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 區(qū)域提議網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of region proposal network

圖1為區(qū)域提議網(wǎng)絡(luò)的結(jié)構(gòu)圖，網(wǎng)絡(luò)首先通過任一卷積骨干網(wǎng)絡(luò)對輸出圖像進行特征提取，將提取到的特征結(jié)合預(yù)置的錨框尺寸進行錨框的生成，通過對特征以及損失函數(shù)來學習每一個錨框是否包含物體的概率以及錨框的位置參數(shù)，最后通過非極大值抑制算法對重疊冗余的錨框進行過濾篩選。圖像的損失函數(shù)定義如下所示：

(1)

(2)

對于檢測框的回歸，位置向量包括以下幾個部分：

(1)預(yù)測值

(2)真實值

式中，tx為對錨框的橫坐標偏移量；x為預(yù)測中心的橫坐標；xa為錨框中心的橫坐標；wa為錨框?qū)挾?；ty為對錨框的縱坐標偏移量；y為預(yù)測中心的縱坐標；ya為錨框中心的縱坐標；ha為錨框高度；tw為對預(yù)測框?qū)挾鹊钠屏?；w為預(yù)測框的寬度；th為對預(yù)測框高度的偏移量；h為預(yù)測框的高度。帶*為真實值，只需要把網(wǎng)絡(luò)預(yù)測的x,y,w,h替換為真實標簽中的x*,y*,w*,h*即可。

圖2為最終的R-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)圖，該網(wǎng)絡(luò)首先將輸入圖像通過卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，提取到的特征先通過區(qū)域提議網(wǎng)絡(luò)得到初步的建議檢測框，將建議檢測框以及提取的特征通過池化層轉(zhuǎn)化為固定大小的特征圖，最后通過全連接層學習更加精確的故障類別以及位置信息。這里將興趣區(qū)域池化層替換成了興趣區(qū)域?qū)R層(Region Of Interest Align, ROI Align)，解決了興趣區(qū)域池化由于取整而產(chǎn)生的檢測誤差。該算法將網(wǎng)絡(luò)輸入?yún)^(qū)域提議出的建議框通過對齊的池化方法轉(zhuǎn)化為固定大小的特征圖。

圖2 R-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 Structure of R-CNN network

本文以R-CNN的網(wǎng)絡(luò)框架作為本文算法的基本框架，以解決當前的目標檢測問題，在給定輸入圖像的情況下，網(wǎng)絡(luò)可以在每個位置同時輸出目標邊界和類標簽分數(shù)。

3 基于R-CNN的多尺度級聯(lián)神經(jīng)網(wǎng)絡(luò)

3.1 骨干網(wǎng)絡(luò)SENet

SE模塊通過對特征圖進行全局平均池化壓縮各個特征圖的信息，再通過前饋網(wǎng)絡(luò)學習全局信息，得到各個特征圖的權(quán)重，最后與原始特征圖進行點乘得到最終特征。這種注意力機制可以增強主要信息并抑制次要信息，從而提高網(wǎng)絡(luò)的準確性和收斂速度。

該結(jié)構(gòu)包括壓縮和激發(fā)兩個運算，可以適用于任何映射。首先是壓縮的操作過程。由于卷積只在局部空間進行了操作，這對于網(wǎng)絡(luò)中的前層來說更為嚴重，因為感受野相對較小。下面是該結(jié)構(gòu)壓縮運算的過程：

(3)

式中，zc為壓縮運算的輸出；Fsq為壓縮函數(shù)；uc為第c個特征圖?？梢钥闯鰤嚎s運算過程通過一個全局平均池化的操作對特征圖的位置信息進行壓縮，得到一個全局的信息。

下面是激發(fā)的運算過程。這個運算需要滿足函數(shù)空間足夠?qū)W習到其非線性關(guān)系且學習到的關(guān)系不應(yīng)該互斥。綜上所述，算法采用了sigmoid形式的門控機制：

s=Fexz,W=σgz,W=σ[W2δ(W1z)]

(4)

最后用網(wǎng)絡(luò)得到的每個通道的權(quán)重乘以原始特征，得到帶權(quán)的特征層輸出：

(5)

SENet的注意力模塊可以很好地嵌入到各種已有的網(wǎng)絡(luò)模型中，圖4展示了殘差卷積網(wǎng)絡(luò)(Residual convolutional Network, ResNet)的應(yīng)用案例。

圖4 SENet在ResNet上的加載應(yīng)用圖解Fig.4 Loading application diagram of SENet on ResNet

本文采用的骨干網(wǎng)絡(luò)是基于卷積殘差網(wǎng)絡(luò)構(gòu)建的SENet-154(層數(shù))網(wǎng)絡(luò)結(jié)構(gòu)。

3.2 錨框設(shè)計和數(shù)據(jù)增強

電路板缺陷圖像不同于開源數(shù)據(jù)集中的常見圖像，電路板圖像采用工業(yè)相機采集，分辨率一般較高，對于微小缺陷，必須設(shè)計合理的錨框。因此本文在設(shè)計區(qū)域提議網(wǎng)絡(luò)時，針對細小的缺陷，網(wǎng)絡(luò)每次生成五種尺寸的{4，8，16，32，64}，同時生成三個長寬比的錨框{0.5，1，2}。

另一方面，由于深度學習算法模型復(fù)雜度較高，模型訓練往往需要一定數(shù)量級的訓練數(shù)據(jù)。由于電路設(shè)計的保密性和昂貴價值，很難獲取到大量具有良好標注信息的電路板故障檢測數(shù)據(jù)集。因此，為了避免模型過擬合的問題，本文通過數(shù)據(jù)增強技術(shù)對訓練數(shù)據(jù)集進行拓展，以提升模型的訓練效果。

本文提出的模型采用的數(shù)據(jù)增強技術(shù)包括：調(diào)整圖像對比度和亮度、增加隨機噪聲、隨機旋轉(zhuǎn)、隨機翻轉(zhuǎn)、隨機縮放和裁剪。在旋轉(zhuǎn)、裁剪和移動圖像時，邊界框的相應(yīng)值也要進行相應(yīng)的變換。具體數(shù)據(jù)增強策略如下：

(1)對輸入圖片以0.5的概率進行隨機角度的旋轉(zhuǎn)和水平垂直翻轉(zhuǎn)。

(2)對輸入圖片疊加一定高斯噪聲并進行隨機亮度、對比度的擾動。

(3)對圖像尺寸進行隨機尺寸的放縮變換的多尺度訓練，放縮過程保持圖像長寬比不變，長邊放縮尺寸為[608,640,800,1 024,1 408]。

3.3 多尺度特征融合

深度卷積網(wǎng)絡(luò)在前向推理過程中通過下采樣會得到多尺度的特征圖，不同深度和尺度的特征對應(yīng)的語義信息尺度也不一樣。在骨干網(wǎng)的前饋計算中，小目標在分辨率較低的特征圖上的占比會逐漸降低，導致檢測的效果變差。因此，本文的模型采用特征金字塔結(jié)構(gòu)[21]，通過縱向的特征連接將高層的語義信息與低層的細粒度高的信息進行融合，使得最后的特征在結(jié)構(gòu)和語義上都有較好的信息保留。

通過多尺度特征融合后，再將區(qū)域提議網(wǎng)絡(luò)生成的不同尺度感興趣區(qū)域根據(jù)公式分配給對應(yīng)的金字塔層次的階段，特征金字塔的層次{Pk}由下式計算：

(6)

式中，歸一化因數(shù)224是標準的ImageNet的預(yù)訓練大??；k為最終得到的層次數(shù)；k0為目標級別。多尺度特征融合結(jié)構(gòu)示意圖如圖5所示。

圖5 多尺度特征融合結(jié)構(gòu)示意圖Fig.5 Multi scale feature structure

自下而上的途徑是骨干卷積網(wǎng)絡(luò)的前饋計算，它組成了一個由七種尺度的特征圖組成的特征層次，縮放步長為2。通常有許多層產(chǎn)生相同大小的輸出圖，這些層處于同一網(wǎng)絡(luò)階段。對于特征金字塔，本文為每個階段定義一個金字塔層。本文選擇每個階段最后一層的輸出作為特征圖參考集，將充實這些特征圖來創(chuàng)建特征金字塔。

具體來說，對于SENet，本文使用每個階段的最后一個殘差塊所輸出的特征激活。把這些最后的殘差塊的輸出表示為{C2, C3, C4, C5}，代表conv2、conv3、conv4和conv5的輸出，并注意它們相對于輸入圖像的跨度為{4, 8, 16, 32}像素。

3.4 級聯(lián)神經(jīng)網(wǎng)絡(luò)

二階段的缺陷檢測算法一般需要設(shè)置訓練正負樣本的比例，選擇正負樣本的方法是基于候選框和真值之間的交并比比例。而不同質(zhì)量的檢測框通過不同的閾值得到不同的訓練效果，高質(zhì)量的檢測幀往往配合更高的閾值來獲得更好的結(jié)果。通過級聯(lián)網(wǎng)絡(luò)，可以對不同階段的網(wǎng)絡(luò)設(shè)置不同的交并比閾值，使級聯(lián)的網(wǎng)絡(luò)每一級都有更高質(zhì)量的輸入，逐步提高網(wǎng)絡(luò)輸出的準確性。通過實驗[22]發(fā)現(xiàn)：

(1)越高的選取閾值可以得到準確度較高的候選框，但如果一開始就設(shè)定較高的閾值網(wǎng)絡(luò)無法得到足夠的正樣本。

(2)訓練后網(wǎng)絡(luò)對輸入的建議框有優(yōu)化作用。

4 數(shù)據(jù)集與評測指標

4.1 數(shù)據(jù)集

本文的模型是基于北京大學發(fā)布的印刷電路板(Printed Circuit Board, PCB)瑕疵數(shù)據(jù)集[16]進行訓練和驗證的，該數(shù)據(jù)集總的圖形數(shù)量為1 386，其中包含6種缺陷，分別是缺失孔、鼠標咬傷、開路、短路、雜散、偽銅?？梢杂糜跈z測、分類和配準任務(wù)。

該數(shù)據(jù)集共包含693張電路板缺陷圖像及其缺陷類型標注文件，每個圖像的平均像素大小是2 777×2 138。

故障具體分布情況見表1。從標簽來看，總共6個類別，如果加上背景類，總共7個類別。各類別之間的框數(shù)量相對較平均，不需要調(diào)整默認的損失函數(shù)。平均每張圖的框數(shù)量在4張左右，屬于比較稀疏的檢測，所以本文使用默認的最大檢測框數(shù)量。

表1 故障分布情況Tab.1 Failure distribution

圖6為標注檢測框的長寬比，可以看到數(shù)據(jù)集中大部分長寬比在1.0左右，但也有部分在0.5～1之間，少部分在1.25～2.0之間。雖說錨框會進行回歸得到更加準確的錨框，但是一開始給定一個相對靠近的錨框?qū)捀弑葧尰貧w更加輕松。所以本文使用錨框的長寬比配置為[0.5，1，2]。

圖6 數(shù)據(jù)集的長寬比分布Fig.6 Aspect ratio distribution of data sets

圖7為真實框在原圖的大小比例，可以看到大部分框只占到了原圖的0.1 %，甚至更小，說明數(shù)據(jù)集中檢測的缺陷基本都是很小的目標，通過顯示原圖中標注的缺陷框也可以直接體現(xiàn)出這個現(xiàn)象。所以在初始的錨框尺寸設(shè)計時可以把尺寸調(diào)小。

4.2 評價指標

在目標檢測中，檢測目標用檢測框進行框選和分類[23]。這里采用交并比對檢測框進行定位精度的評價，交并比(Intersection over Union, IoU)定義了兩個檢測框的重疊程度，交并比計算式為：

(7)

式中，G為故障點位置的真值；P為模型的預(yù)測值。

COCO是微軟團隊提供的一個可以用來進行圖像識別的數(shù)據(jù)集。本文采用COCO中使用的檢測評估指標，如圖8所示。

圖8 COCO競賽目標檢測評估指標Fig.8 Evaluation index of COCO competition target detection

在COCO競賽中AP50或者AP@0.5指的是當設(shè)置IoU為0.5時的平均準確率。AP75是嚴格模式的測量。APsmall,APmedium,APlarge分別對應(yīng)面積area<322,322962的目標分別測試的值。mAP@[0.5∶0.95]指標是指在交并比取值從0.5到0.95下的平均準確率。

5 實驗和結(jié)果分析

本文模型的訓練過程中每個批次包含2個圖像且每個圖像生成512個感興趣區(qū)域。訓練參數(shù)配置如下：

迭代輪數(shù)設(shè)置為12個epoch，采用Momentum優(yōu)化器，學習率配置為0.001 25，并在40 000次和45 000次迭代時進行0.1的學習率衰減，權(quán)重衰減系數(shù)為0.000 1，動量配置為0.9，采用L2正則化，正則化因子為1e-4。

在印刷電路板缺陷數(shù)據(jù)集上比較了本文的方法和部分較新技術(shù)方法的實驗效果，結(jié)果見表2。

表2 實驗結(jié)果對比Tab.2 Comparison of experiment results

圖9為級聯(lián)網(wǎng)絡(luò)在級聯(lián)前后的網(wǎng)絡(luò)的回歸誤差變化曲線，其中曲線為損失的均值，橫坐標為放縮到0～1的訓練迭代次數(shù)，縱坐標為網(wǎng)絡(luò)的回歸損失。由圖9可以看出級聯(lián)之后檢測框的回歸誤差在均值和方差上都有明顯下降，說明級聯(lián)神經(jīng)網(wǎng)絡(luò)對檢測框的回歸精度有很大提升。圖10展示了最終訓練模型的實驗評估結(jié)果，最終輸出mAP@[0.5∶0.95]=0.557,mAP@[0.5]=0.994。

圖9 級聯(lián)網(wǎng)絡(luò)的檢測框回歸誤差變化Fig.9 Change of detection frame regression error in cascaded networks

圖10 COCO評估指標結(jié)果Fig.10 COCO evaluation index results

本文的實驗結(jié)果如圖11所示，分別展示了整體的故障檢測效果和局部放大的檢測效果，可以看到故障的分類置信度都很高，基本可以達到0.95以上，故障區(qū)域的定位精度都相當高，且能對多種故障都有較高的召回率?？梢钥闯霰疚脑O(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)可以在較高的置信度下完成故障類型的識別，并標注精確地框選出故障位置。

圖11 電路板缺陷檢測實驗結(jié)果展示Fig.11 Experimental results display of PCB defect detection

綜合以上實驗結(jié)果可以得出，本文提出的算法可以較好地解決電路板缺陷檢測遇到的一些挑戰(zhàn)，如訓練樣本小、缺陷尺寸小、缺陷種類復(fù)雜等問題。且最后達到的精度和實際效果都比較高。

6 模型壓縮以及部署

本文提出的模型是基于PaddlePaddle飛槳框架進行搭建的，可以通過飛槳支持的模型蒸餾、剪枝以及量化等操作對模型進行模型體積以及運算量的壓縮，以提升模型的精度和運算效率。該模型支持部署到多平臺，可以通過PaddleLite等模型部署庫部署到移動端(手機)，或者通過PaddleInference庫部署到服務(wù)器端，實現(xiàn)工業(yè)的電路板故障檢測，因此本文提出的方法具有很高的便攜性和可遷移性。

7 結(jié)論

本文提出了基于深度學習的機器人電路板缺陷檢測系統(tǒng)。針對電路板缺陷檢測人工成本高、漏檢率高且執(zhí)行效率低等問題，本文將R-CNN算法與多尺度特征金字塔和級聯(lián)神經(jīng)網(wǎng)絡(luò)相結(jié)合并應(yīng)用于電路板缺陷檢測，同時結(jié)合數(shù)據(jù)集特征制定了相應(yīng)的數(shù)據(jù)增強策略以及錨框設(shè)計方案以適應(yīng)微小缺陷檢測。最終通過實驗證明：

(1)合理數(shù)據(jù)增強策略和錨框設(shè)計可以使網(wǎng)絡(luò)更快地收斂并且達到更高的精度，從而更準確地定位缺陷。

(2)多尺度特征金字塔通過自上而下的特征融合使網(wǎng)絡(luò)對微小缺陷進行定位和分類的效果提升很大。

(3)級聯(lián)神經(jīng)網(wǎng)絡(luò)有效地提升了故障檢測的定位精度。

最終本文的電路板缺陷檢測模型最高達到了mAP(IoU=0.5∶0.95)=55.7%，mAP(IoU=0.5)=99.4%的精度。此外，該網(wǎng)絡(luò)結(jié)構(gòu)的擴展性較強，可以方便地擴展到其他微小缺陷檢測的相關(guān)領(lǐng)域。