技术摘要：
本申请公开了一种缺陷检测方法、装置、设备和可读存储介质，该方法包括将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；根据自定义感兴趣区域框，对拼接多通道图像进行裁切，获取裁切图像；对裁切图像进行数据增强处理获取训练样本数据；根据训练样本数据对  全部
背景技术：
随着社会智能化的发展，汽车行业、手机行业、高端仪器仪表制造行业对集成电路 的需求量越来越大，对PCB电路板的需求量也越来越大。在PCB生产制造过程中，大部分工艺 都已经生产自动化，降低了生产成本，提高了效率。但在PCB的质量检测环节，存在着大量依 赖质检员的手动进行缺陷检测、现有的缺陷检测技术不能达到企业生产的指标要求。这种 现象产生的原因，一方面由于PCB电路板线路复杂，借助光学设备拍出来的图像复杂多变， 给图像处理带来了挑战；另一方面，缺陷在图像中的表现形式不固定，形态多变，在复杂的 背景中寻找形态变化的缺陷，不太容易。 目前PCB缺陷检测主要依赖于采集到的PCB图像与模板图像做差，然后利用传统图 像处理算法来判断是否存在缺陷。这种方式既利用了模板图像的信息去除了图像中一部分 无关信息，也利用了传统图像检测速度快，结果容易理解的优点，是一种综合了可行性和性 能的方案。但对于缺陷面积不大的脏污识别效果不佳，对于细长条形状或者带状的脏污识 别效果比较有限，对于不同工艺部位的微小位置差异、RGB颜色差异不能做到自适应，从而 导致非常多的良品被检测为缺陷品。整体表现为缺陷检测的准确率不高，过检数量过多。这 影响了PCB生产企业的质检性能，不得不增加更多的复检人员来保证良品不被过度浪费。此 过程中存在着质检效果不佳和总成本不佳的现象。
技术实现要素：
本申请的主要目的在于提供一种缺陷检测方法、装置、设备及可读存储介质，旨在 解决现有的缺陷检测方法的检测效果不佳的问题。 为实现上述目的，本申请提供的一种缺陷检测方法，所述缺陷检测方法包括以下 步骤： 将原图像与模板图像进行图像通道拼接，获取拼接多通道图像； 根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像； 对所述裁切图像进行数据增强处理获取训练样本数据； 根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型； 对于待检测图像，利用所述训练后的神经网络模型输出检测结果。 可选地，所述根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁 切图像的步骤包括： 根据所述拼接多通道图像的缺陷区域确定所述自定义感兴趣区域框的区域尺寸； 从所述拼接多通道图像中选择预设数目的像素点； 以所述像素点为区域中心，以所述区域尺寸的自定义感兴趣区域框对所述拼接多 4 CN 111598863 A 说　明　书 2/10 页 通道图像进行裁切，获取裁切图像。 可选地，所述根据所述训练样本数据对神经网络模型进行训练并保存训练后的神 经网络模型的步骤包括： 设置神经网络模型的训练参数； 将所述样本数据输入所述数据网络模型，根据所述训练参数对所述神经网络模型 训练，获取神经网络的网络参数； 根据所述网络参数设置并保存训练后的神经网络模型。 可选地，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的 步骤之前包括： 将待检测图像与模板图像进行图像通道拼接，获取待检测多通道输入图像。 可选地，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的 步骤包括： 按照预设分辨率对所述待检测多通道输入图像进行切分； 将所述切分后的待检测多通道输入图像输入所述训练后的神经网络模型，获取缺 陷概率信息； 根据所述缺陷概率信息，输出检测结果。 可选地，所述按照预设分辨率对所述待检测多通道生成图像进行切分的步骤包 括： 若所述待检测多通道输入图像存在可疑缺陷位置信息，则通过切分区域框对所述 待检测多通道输入图像进行切分； 若所述待检测多通道输入图像不存在可疑缺陷位置信息，则通过等分或增加切分 线切分所述待检测多通道输入图像。 可选地，所述根据所述缺陷概率信息，输出检测结果的步骤包括： 若所述切分后的待检测多通道输入图像的缺陷概率信息中存在缺陷概率大于预 设阈值，则输出所述待检测图像为残次品； 当所述切分后的待检测多通道输入图像的缺陷概率信息中的各缺陷概率均小于 预设阈值，则输出所述待检测图像为良品。 本申请还包括一种缺陷检测装置，所述缺陷检测装置包括： 拼接模块，用于将原图像与模板图像进行图像通道拼接，获取拼接多通道图像； 裁切模块，用于根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取 裁切图像； 数据增强模块，用于对所述裁切图像进行数据增强处理获取训练样本数据； 训练模块，用于根据所述训练样本数据对神经网络模型进行训练并保存训练后的 神经网络模型； 检测模块，用于对于待检测图像，利用所述训练后的神经网络模型输出检测结果。 本申请还提供一种缺陷检测设备，所述缺陷检测设备包括：存储器、处理器及存储 在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序被所述处理 器执行时实现如上述的缺陷检测方法的步骤。 本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述 5 CN 111598863 A 说　明　书 3/10 页 计算机程序被处理器执行时实现如上述的缺陷检测方法的步骤。 本申请通过将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；根据 自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；对所述裁切图像进 行数据增强处理获取训练样本数据；根据所述训练样本数据对神经网络模型进行训练并保 存训练后的神经网络模型；对于待检测图像，利用所述训练后的神经网络模型输出检测结 果。通过图像通道拼接、自定义感兴趣区域框以及数据增强方法对于图像处理后输入神经 网络模型进行训练，使神经网络模型在面对缺陷检测问题时，能够捕获到充分且变化多样 的缺陷信息、合适的背景补充信息以及合适的批处理大小值，使神经网络模型对缺陷品检 测准确率提高而良品被检测为缺陷品的概率降低。 附图说明 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施 例，并与说明书一起用于解释本申请的原理。 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而 言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 图1为本申请实施例方案涉及的硬件运行环境的装置结构示意图； 图2为本申请缺陷检测方法第一实施例的流程示意图； 图3为本申请缺陷检测方法第二实施例中对于图2步骤S20的细化流程图； 图4为本申请缺陷检测方法第三实施例中对于图2步骤S40的细化流程图； 图5为本申请缺陷检测方法第四实施例中对于图2步骤S50之前步骤以及步骤S50 的流程示意图。 本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。