本发明涉及图像识别领域，具体是一种针对pcba(printed circuit boardassembly)元器件缺陷检测的目标检测模型。
背景技术：
1、pcba作为电子制造的核心工程过程，负责将各种电子元器件巧妙地安装在印刷电路板上，为多样化的电子设备提供坚实的支持。随着技术不断推陈出新和自动化程度的提高，pcba制造领域正经历着日新月异的演变，以应对电子市场快速增长的需求。
2、目前，传统的pcba元器件缺陷检测方法主要采用aoi(automated opticalinspection)的模板匹配方法。这种方法依赖事先设置的一组模板，用于与pcba上的实际图像进行匹配。然而，传统的aoi系统存在一系列问题：首先，其检测率较低，高达50%左右，意味着容易漏检或误报，可能导致质量问题未被发现或正常部分被错误报告为缺陷。其次，由于高错误率，每台aoi设备后都需要配备有经验的员工进行人工复检，以确保准确性，这进一步增加了人力成本和生产时间。最后，随着生产线切换到不同类型的pcba板时，必须更换相应的检测模板并重新进行匹配，这一过程不仅耗时繁琐，还影响了生产效率。
3、为解决这些问题，新一代pcba元器件缺陷检测技术逐渐崭露头角。其中，基于深度学习和人工智能的检测方法逐渐成为主流。这些先进的技术能够通过学习大量数据来自动识别潜在的缺陷，大幅提高了检测的准确性和效率。与传统的aoi系统相比，它们不再受限于固定的检测模板，从而避免了频繁更换和重新匹配的烦恼。这不仅节省了时间，还降低了生产成本，使得pcba制造更为智能和高效。本发明构建一种名为mss(a lightweightdetection model based on mask shufflenet)的目标检测模型。该模型在实现较少参数量和计算量的同时又保证了对pcba元器件缺陷的检测精确度。模型的主干网络采用深度融合的策略，将两种不同的主干网络mask r-cnn和shufflenetv2的卷积层及池化层相互结合，构建一种全新的主干网络模型，被称为mashuff (mask shufflenet)。
4、mask r-cnn和shufflenetv2在pcba元器件缺陷检测任务中存在明显的优缺点：对于mask r-cnn来说在pcba元器件缺陷检测任务中具备卓越的实例分割精度，可像素级定位元器件，实现精准检测和定位缺陷。其多任务处理能力使得在一个模型中同时执行目标检测和生成目标的二进制掩码，提供更全面的检测结果。模型适应性强，能够通过训练适应不同pcba元器件的形状和尺寸变化。采用先进的骨干网络（如resnet）有助于提取更丰富的特征，进一步提升检测性能。在工业领域，特别是pcba缺陷检测方面，mask r-cnn广受应用。
5、mask r-cnn模型也面临一些挑战。其计算复杂度较高，相对较大的模型需求较多计算资源，可能受限于资源受限的设备或实时检测场景。长训练时间和复杂性使得在某些简单任务中显得过于繁重，而在训练数据较少的情况下可能面临过度拟合问题。
6、shufflenetv2在pcba元器件缺陷检测任务中的优点显著，首先体现在其轻量级结构上，这使得它成为在计算资源受限设备上进行实时检测的理想选择。通过引入通道重排等技术，shufflenetv2实现了高效的计算，有效减少了模型的计算复杂度，提高了在资源受限设备上的运行效率。此外，其相对较小的模型体积使得它适用于嵌入式系统和移动设备，为pcba缺陷检测提供了便利。
7、shufflenetv2在pcba元器件缺陷检测任务中也存在一些挑战。其轻量级设计使得在一些复杂任务中的精度相对较低，可能略显不足。特别是在处理需要更高精度和复杂特征表示的复杂场景时，shufflenetv2可能不如一些大型深度学习模型表现出色。因此，在选择适用于pcba元器件缺陷检测的模型时，需权衡其轻量级设计的优势与在复杂场景中的相对较低精度。
技术实现思路
1、本发明提出一种创新性的目标检测模型，专为pcba元器件缺陷检测而设计。该模型不仅能够精准识别pcba板存在的各种缺陷问题，该目标检测模型通过深度学习和先进的图像处理技术，能够在微小的pcba板区域内精确地定位和识别各种缺陷，为制造商提供高效而可靠的质量控制手段。不仅如此，该模型还在考虑到实际生产环境的同时，通过智能化算法的应用，极大地提高了对pcba元器件缺陷检测的准确性，进一步推动了工业制造过程的自动化和智能化。
2、值得一提的是，本发明不仅着重于提高pcba元器件缺陷检测的准确率，而且在降低模型误检率方面也取得显著进展。通过精心设计的算法和训练方法，模型能够更好地适应不同生产批次和pcba板的差异，从而避免不必要的误判，减轻了人工审核的负担，提高了生产效率。
3、本发明针对pcba元器件缺陷检测任务过程中所遇到的困难对传统的目标检测模型进行两项精密改进，以实现更卓越的性能：
4、首先，本发明创立了一项名为mss的目标检测模型，旨在实现较少参数和计算量的同时，保证对pcba元器件缺陷检测的准确度。mashuff主干网络的提出经过深入分析maskr-cnn和shufflenetv2的特点，以及它们在不同场景中的优势。采用一种深度融合的策略，将mask r-cnn和shufflenetv2这两种差异明显的主干网络的卷积层池化层进行融合，形成一种全新的主干网络模型——mashuff。这种精巧的融合使得新模型能够充分发挥两者的优势，弥补各自的不足，从而在pcba元器件缺陷检测任务中展现更为全面和卓越的性能表现。
5、其次，在pcba元器件缺陷检测的任务实现过程中，元器件的缺陷可能以各种形态存在，包括不规则的形状和各种尺寸。这多样性使得传统的损失函数在捕捉并解释这些特定缺陷模式时可能不够灵活，从而导致检测性能的下降。尤其是在缺陷目标非常微小的情况下，传统模型可能难以精准地定位和识别这些缺陷。为解决上述问题，本发明提出一种wmiou(weighted fusion intersection over union)损失函数是本发明提出的一种基于最小重叠面积的交叉结合损失函数，旨在提高对象检测任务中的边界框预测的准确性，解决原始iou重合面积相同，却元器件方向不同的问题。它衡量预测边界框和真实边界框之间的相似性，将其用作损失来训练模型。
1.一种基于mashuff的pcba元器件缺陷检测模型，其特征在于，包括：
2.根据权利要求1所述的基于mashuff的pcba缺陷检测方法，其特征在于，步骤（1）中，采用labelimg标注工具对样本图像进行类别标注，标注格式为“.xml”，在将所得到的“.xml”文件转化为“.tfrecord”文件，并对标注结果进行校正，减少因标注错误引入的噪声。
3.根据权利要求2所述的基于mashuff的pcba缺陷检测方法，其特征在于，步骤（2）中，随机划分数据集的方式保证了训练集、验证集和测试集的数据分布均匀，有助于模型在各种不同情况下都具有良好的泛化能力。同时，6：4的比例划分可以确保模型有足够的训练数据，同时也有足够的验证和测试数据来评估模型的性能。
4.根据权利要求1所述的基于mashuff的pcba缺陷检测方法，其特征在于，步骤（3）中，通过综合考虑mask r-cnn和shufflenetv2的优势和劣势，构建了mashuff模型，即轻量级、高效、适应性强的目标检测模型，改善了当前pcba元器件缺陷检测任务中小目标准确度较低、计算量大的问题，使得模型在处理复杂背景、小目标检测等问题时具有更强的鲁棒性。为电子制造业提供了一种先进、可靠的解决方案。mashuff网络结构包含5个卷积层、5个池化层、1个全连接层和5个激活函数。
5.在第一卷积层中，使用步长为1的3×3×3×24卷积核进行跨通道处理，将具有3个通道的图像映射到具有24个通道的特征，对输入图像进行升维处理；
6.根据权利要求1所述的基于mashuff的pcba缺陷检测方法，其特征在于，步骤（4）中，引入了创新性的wmiou损失函数，基于最小重叠面积的概念，直接预测边界框与真实边界框之间的匹配程度。
7.设,分别表示位预测边界框与实际边界框，
8.设则表示为包含与的最小框面积，从而可得到wmiou损失函数的表达式为：
9.根据权利要求6所述的基于mashuff的pcba缺陷检测方法，其特征在于，wmiou损失函数不仅优化了模型的预测边界框与真实边界框之间的匹配程度，还通过考虑最小重叠面积的概念，提高了模型对小目标的检测能力。这一创新性的损失函数设计使得模型在训练过程中更加注重对小目标的识别与定位，从而提高了小目标检测的准确性。在实际应用中，pcba缺陷检测常常面临小目标检测的挑战，而wmiou损失函数通过更细致的度量方式，反映了预测边界框与真实边界框之间的匹配程度，通过更好地捕捉目标与预测框之间的几何关系，提高了目标检测的精确度，进一步增强了整体的检测性能。
10.综上所述，本次基于mashuff的pcba元器件缺陷检测模型的发明，采用基于深度学习技术的目标检测模型，致力于在电子制造领域推动创新的技术进步。通过深度卷积神经网络进行图像识别和缺陷检测，这一新方法能够自动学习和识别各种pcba元器件缺陷的特征，从而显著提高了检测准确性；通过构建mashuff模型实现了在较少参数和计算量的同时，对pcba元器件缺陷检验检测的高准确性，更好地满足实际生产中的需求。该技术的应用不仅有望降低雇佣成本、提供资金节省的机会，还通过自动化的pcba板缺陷检测方法加速问题识别，减少了生产中的停滞和延误，从而全面提升了整体生产效率。这一创新对于电子制造业将产生深远的影响，推动该行业向前迈进。
