本发明涉及图像处理领域，具体涉及了一种改进的图像融合方法来提高pcba缺陷板图像质量。
背景技术：
1、印制电路板（printed circuit board，pcb）作为电子元器件安装和电路电气连接的载体，是各类型电子产品的重要组成部分，其生产制造的发展水平对计算机、消费电子、通信设备、汽车电子和工业装备等行业的技术进步发挥了基础性作用。随着当今pcba加快朝着微型化、轻薄化和密集化方向发展，人工目视检测和在线电气检测由于视线和电气接触受限，已难以满足电子电路制造业对于pcba质量控制的需求。
2、近年来，以卷积神经网络（convolutional neural network，cnn）为代表的深度学习算法在人脸识别、医学影像和自动驾驶等计算机视觉领域取得的巨大成功，吸引了大量研究者尝试将深度学习算法与视觉缺陷检测相结合，已经取得可喜成果并开始推广应用。深度学习具有自动特征提取、端到端和可移植性强等优点，适用于pcba缺陷检测。
3、构建基于深度学习的pcba缺陷检测系统之前，一个高质量的数据集是必不可少的。然而，由于pcba缺陷的种类繁多，且每种缺陷的特征各异，制作一个真实、多样化的数据集并非易事。它需要大量的人力和时间投入，来进行收集、清洗和标注大量的数据样本。同时制作数据集过程中，需要对数据的来源和特征有深入的理解，并且需要确保数据集的平衡性、多样性和代表性，以便模型能够在各种情况下都表现良好。因此，一个好的数据集对于pcba缺陷检测至关重要。
技术实现思路
1、发明目的：提供一个合理且有效的pcba数据集制作方案，提高深度学习模型对于pcba缺陷检测识别度。
2、技术方案：本发明所述的一种基于深度学习的pcba缺陷检测数据集制作方法，包括：
3、（1）对于工厂提供的pcba板子进行条件筛选；
4、（2）对筛选过后板子进行人工制造缺陷；
5、（3）对含有缺陷的pcba板子进行分区域拍摄；
6、（4）拍摄照片进行算法融合并生成高质量图像；
7、（5）对改进后的图片进行打标签预处理操作；
8、（6）用labelimg软件对图像进行打标签。
9、进一步地，步骤（1）中，筛选pcba缺陷板；由工厂提供的报废pcba（无主控芯片）样板进行筛选，选取的样板必须满足以下几个特点1.元器种类（电阻、电容、二极管、电感、三极管等）数量多同时元器件没有破损2.背景干净（没有污点、划痕、水垢）3.没有露铜以及焊点有锡4.板子尺寸合适，不能过大也不能过小，得满足机器拍摄区域。
10、进一步地，步骤（2）中，对筛选过后板子进行人工制造缺陷：对于筛选完的pcba板进行人为制造缺陷，缺陷的标准以工厂提供的样板（机器失误导致pcba板产生各种缺陷）为准。制造过程中，我们首先预热加热台至285度（缺陷连锡制作预热265度），再用镊子把板子放在加热台上直到板上锡膏融化，然后用镊子分8个区域对每个区域制作七个缺陷。不同的缺陷有不同的工艺要求具体如下；1.立碑：立碑分为单脚立碑，侧碑以及斜碑。其中我以单脚立碑为例，其他种类同理，不同之处主要在侧碑时我们需要翘起元器件中间一点，并停留5s，对于斜碑我们需要翘起对角并停留5s；单脚立碑在制作过程中，我们需要用镊子固定好板子，再用另外一支镊子撬动元器件的一脚并停留3s，最后形成单脚的10~90度立碑。2.缺件：我们可以先看看板子上是否有够量的缺件，如果没有我们就要人为去制造缺件，首先需要用镊子沿90度方向拿掉板子上的元器件并保留其中的焊点，焊点就是缺件种类了，但在拿掉元器件时候，不要随意的去拖动，这会使焊点出现连丝现象，这样的焊点是不能作为缺件种类的；3.连锡：连锡不同于其他三种缺陷，我们是需要先把锡膏均匀的涂抹（锡膏用量尽量少，后面生成的连锡会越接近标准）在两个元器件之间或者两个焊点之间，再放在预热好265度的加热台上，直到焊锡变成焊锡点连接在元器件和焊点两端，然后把板子拿下加热台放至一旁进行冷却，最后会在涂抹焊膏的元器件和焊点之间生成连锡这种缺陷4.偏移：我们需要去拿镊子去移动元器件，使其偏离原来的焊盘，对于偏离角度小的元器件（也就是微偏）是我们主要制作的，更符合实际情况，满足机器制造缺陷的条件。
11、进一步地，步骤（4）中，图像融合算法。图像融合方法是把输入的同一区域两张不同曝光度以及焦距的图像进行融合，详细实现步骤有如下：
12、构造权重因子：根据输入的两幅图像需要进行计算焦距因子，曝光度因子以及色彩度因子并输出；
13、
14、其中在公式b为焦距因子，α和β为调节因子这里分别设置为0.4和0.6，k为输入图片数量；d是熵因子，j和k是3x3移动窗口矩形长和宽，是移动窗口的任意元素，、、分别表示移动窗口内平均灰度值，最大灰度值和最小值灰度值。e为能量因子，i是0-255灰阶值，表示该灰阶值在所有都灰度值中发生的概率；
15、对于曝光度因子计算公式如下：
16、
17、
18、公式中是曝光因子，k为输入图像数量，是输入第k张图像的灰度值，为高斯函数参数这里取0.2；u是自适应曝光调节因子，为调节参数设置为0.5，是第k幅图像的灰度平均值；对于色彩饱和度因子计算公式如下：
19、
20、其中是色彩饱和度因子，,,分别对应第k张图像r，g，b三个通道值。
21、权重因子融合：对于构造权重因子模块输入的，，,我们需要融合归一化为；具体公式如下：
22、
23、
24、其中k表示不同图像的数量，表示每一张图像的权重参数，是归一化后权重图。
25、权重双边金字塔分解：对于输入的多张权重图记为，然后我们需要带入权重优化公式，得到细化后第一层的图像,然后再对循环使用双边滤波及下采样m次得到m层图像，详细计算公式如下；
26、
27、
28、
29、
30、其中为第k张的图像共m层权重优化图，是15x15滑动窗口，和分别是引导图在滑动窗口下的任意值和均值，求解见公式10,求解见公式11，其中，，分别是输入第k张原图的rgb三个通道的值；l和e代表输入原图的长和宽；
31、高斯和拉氏金字塔分解：对输入两张原图进行构建高斯金字塔以及拉普拉斯金字塔记为和以及和（求解步骤见附图5），n与m之间的关系如下：
32、
33、其中m和n分别表示高斯金字塔以及拉普拉斯金字塔层数。
34、高斯和拉氏金字塔融合：对于权重双边金字塔分解模块传入的（由于输入原图数量是两张图所以这里取和）以及高斯和拉氏金字塔分解模块传入的，，做乘积得到和具体公式见下：
35、
36、拉氏细节增强：对于高斯和拉氏金字塔融合模块传入的高频细节及高斯金字塔，先对做灰度化处理生成，然后把高频细节和带入拉氏细节增强公式得到，求解公式具体如下：
37、
38、拉氏重建：由高斯和拉氏金字塔融合模块传入的先经过高斯模糊以及上采样得到并加上拉氏细节增强模块传入的第1层高频细节，得到第1层融合后的图像，再把当作上一步操作的图像，循环上述操作n次（详见公式13）,最终得到融合后图像h(x,y)。
39、进一步地，步骤（5）中，对筛选过后板子进行人工制造缺陷：图像打标签预处理。图像融合完成的高质量图片需要经过人工ps，具体步骤如下首先用画图软件打开图片并用背景颜色去填充疑似特征区域1.板子上已移除芯片的引脚区域2.板子上预留过多的缺件特征3.带有复杂的背景区域（露铜，水沟，脏污以及划痕等）4.制作缺陷过程导致板子上出现的锡痕以及做坏的缺陷特征。经过人工ps后还需要对图进行resize至1080x1280分辨率并进行排序，方便训练。
1.一种基于深度学习的pcba缺陷检测数据集制作方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的pcba缺陷检测数据集制作方法，其特征在于步骤（4）中，计算两幅图像的焦距因子，曝光度因子以及色彩度因子；对于焦距因子计算公式如下：
3.根据权利要求1所述的一种基于深度学习的pcba缺陷检测数据集制作方法，其特征在于步骤（2）中，对筛选过后板子进行人工制造缺陷过程：制造过程中，我们首先预热加热台至285度（缺陷连锡制作预热265度），再用镊子把板子放在加热台上直到板上锡膏融化，然后用镊子分8个区域对每个区域制作七个缺陷，不同的缺陷有不同的制作方法。
4.根据权利要求2所述的一种基于深度学习的pcba缺陷检测数据集制作方法，其特征在于，不同的缺陷的制作方法，1.立碑：立碑分为单脚立碑，侧碑以及斜碑；其中以单脚立碑为例，其他种类同理，不同之处主要在侧碑时我们需要翘起元器件中间一点，并停留5s，对于斜碑我们需要翘起对角并停留5s；单脚立碑在制作过程中，我们需要用镊子固定好板子，再用另外一支镊子撬动元器件的一脚并停留3s，最后形成单脚的10~90度立碑；2.缺件：我们可以先看看板子上是否有够量的缺件，如果没有我们就要人为去制造缺件，首先需要用镊子沿90度方向拿掉板子上的元器件并保留其中的焊点，焊点就是缺件种类了，但在拿掉元器件时候，不要随意的去拖动，这会使焊点出现连丝现象，这样的焊点是不能作为缺件种类的；3.连锡：连锡不同于其他三种缺陷，我们是需要先把锡膏均匀的涂抹（锡膏用量尽量少，后面生成的连锡会越接近标准）在两个元器件之间或者两个焊点之间，再放在预热好265度的加热台上，直到焊锡变成焊锡点连接在元器件和焊点两端，然后把板子拿下加热台放至一旁进行冷却，最后会在涂抹焊膏的元器件和焊点之间生成连锡这种缺陷；4.偏移：我们需要去拿镊子去移动元器件，使其偏离原来的焊盘，对于偏离角度小的元器件（也就是微偏）是我们主要制作的，更符合实际情况，满足机器制造缺陷的条件。
5.根据权利要求1所述的一种基于深度学习的pcba缺陷检测数据集制作方法，其特征在于步骤（5）中，对改进后的图片进行打标签预处理操作：图像融合完成的高质量图片需要经过人工ps，具体步骤如下首先用画图软件打开图片并用背景颜色去填充疑似特征区域；1.板子上已移除芯片的引脚区域；2.板子上预留过多的缺件特征；3.带有复杂的背景区域（露铜，水沟，脏污以及划痕等）；4.制作缺陷过程导致板子上出现的锡痕以及做坏的缺陷特征。经过人工ps后还需要对图进行resize至1080x1280分辨率并进行排序，方便训练。
