本发明涉及pcba板自动检测，具体涉及基于深度学习的pcba板自动检测方法及系统。
背景技术：
1、基于深度学习的pcba板自动检测指的是利用深度学习技术对pcba（printedcircuit board assembly，印刷电路板组件）进行自动检测的过程。深度学习是一种机器学习的分支，通过建立多层神经网络模型来学习数据的特征和规律，从而实现对复杂数据的高效处理和分析。在pcba板自动检测中，深度学习模型可以学习pcba板的各种特征，如焊点连接情况、元器件位置和状态等，从而实现对pcba板的自动检测和质量评估，提高生产效率和产品质量。
2、首先，深度学习模型需要通过大量的标注数据进行训练，以学习pcba板的各种特征和异常情况。然后，在实际应用中，通过摄像头或传感器等设备获取pcba板的图像或数据，并输入到已训练好的深度学习模型中进行分析。模型会对pcba板进行检测，识别焊点是否完整、元器件是否正确安装等问题，并将结果反馈给操作人员或自动控制系统，以实现对pcba板的自动检测和质量控制。这种基于深度学习的自动检测方法相比传统的人工检测或简单的机器视觉方法，能够更准确地检测pcba板的各种缺陷和异常情况，提高生产效率和产品质量。
3、现有技术中存在以下不足之处：
4、现有技术中，在pcba板自动检测中，深度学习模型可以学习pcba板的各种特征，从而实现对复杂数据的高效处理和分析。然而，在pcba生产线上，对缺陷的检测通常需要在极短的时间内完成，以确保生产效率和产品质量。但是，深度学习模型的推理时间可能出现不稳定的情况，如果模型的推理时间较长，可能会导致模型无法及时检测到pcba板上的缺陷，从而降低了质量控制的效果。同时，如果不能及时发现和修复缺陷可能会导致产品质量下降，增加了产品退货率。
技术实现思路
1、本发明的目的是提供一种基于深度学习的pcba板自动检测方法及系统，以解决背景技术中的不足。
2、为了实现上述目的，本发明提供如下技术方案：基于深度学习的pcba板自动检测方法，包括以下步骤：
3、s1：根据pcba板自动检测场景的时间检测标准，针对所选的深度学习模型进行推理，并记录相应的推理时间数据；
4、s2：对收集到的推理时间数据进行分析，根据不同检测场景下pcba板的时间检测标准，将推理时间划分为异常推理时间和正常推理时间；
5、s3：根据实际需求和推理时间数据的分布情况，确定正常推理时间中的推理时间阈值，根据推理时间阈值将推理时间划分为高效推理时间、一般推理时间，低效推理时间；
6、s4：对于低效推理时间，通过深度学习模型对pcba板图像进行特征提取，并对pcba板上的缺陷进行识别和分类；
7、s5：将检测到的pcba板上的缺陷进行精细判定和定位，确定缺陷的位置和数量，判断缺陷位置定位的准确程度，并对缺陷的几何特征进行评估，确定其对pcba板性能的影响程度；
8、s6：基于pcba上检测到的缺陷，将缺陷位置定位的准确程度和缺陷的几何特征对pcba板性能的影响程度进行综合分析，评估pcba板的质量，并做出相应的处理决策。
9、在一个优选地实施方式中，s1中，通过循环神经网络针对所选的深度学习模型进行推理，包括：确定用于推理的数据集和pcba板自动检测场景，加载已经训练好的深度学习模型，对于每个推理样本，将pcba板的图像数据作为输入参数数据；对于每个推理样本，执行模型的推理过程，在开始推理之前获取当前时间作为开始时间，推理完成后获取当前时间作为结束时间；使用结束时间减去开始时间，计算出每个推理样本的推理时间；对数据集中的所有样本都执行相同的推理过程，并记录每个样本的推理时间数据。
10、在一个优选地实施方式中，s2中，将推理时间划分为异常推理时间和正常推理时间，具体为：
11、对于每次推理任务，判断其推理时间是否超过了pcba板设定的时间检测阈值，如果推理时间大于等于时间检测阈值，则将该推理任务划分为异常推理时间；如果推理时间小于时间检测阈值，则将其划分为正常推理时间。
12、在一个优选地实施方式中，s3中，确定正常推理时间中的推理时间阈值，并根据该阈值将推理时间划分为高效推理时间、一般推理时间和低效推理时间，具体包括：
13、收集正常推理时间数据，将正常推理时间数据标记为t={t1,t2,...,tn}，其中，ti表示第i次进行正常推理的时间，n表示样本数量；
14、根据收集到的正常推理时间数据计算推理时间数据的平均值，具体的计算表达式为式中，为推理时间数据的平均值；根据推理时间数据的平均值计算推理时间数据的标准差，具体的计算表达式为：式中，σ为推理时间数据的标准差；
15、确定正常推理时间中的推理时间阈值；通过计算均值加减若干倍的标准差作为推理时间阈值，即：式中，为推理时间阈值，k为系数，其中，推理时间阈值的下限为：推理时间阈值的上限为。
16、在一个优选地实施方式中，将每个推理时间根据推理时间阈值进行划分，具体为：
17、如果推理时间小于等于推理时间阈值的下限，则将其划分为高效推理时间；
18、如果推理时间大于等于推理时间阈值的下限，且小于等于推理时间阈值的上限，则将其划分为一般推理时间；
19、如果推理时间大于推理时间阈值的上限，则将其划分为低效推理时间。
20、在一个优选地实施方式中，s4中，针对低效推理时间，通过卷积神经网络对pcba板图像进行特征提取，并对pcba板上的缺陷进行识别和分类，具体为：
21、收集pcba板图像数据，标注出图像中的缺陷区域和缺陷类型；
22、对图像数据进行预处理；
23、使用准备好的数据集对构建的cnn模型进行训练，在训练过程中，模型通过反向传播算法不断调整网络参数；
24、使用独立的测试数据集对训练好的模型进行评估，评估模型的性能和准确率；
25、通过模型对图像中的各个区域进行扫描，并预测每个区域是否存在缺陷以及缺陷的类型；
26、对模型识别和分类的结果进行展示。
27、在一个优选地实施方式中，s5中，根据缺陷的位置和数量，判断缺陷位置定位的准确程度包括获取缺陷数量离群指数，缺陷数量离群指数的获取方法为：
28、根据缺陷的位置和数量建立一个数据集d，其中包含n个数据点；对于每个数据点i，确定其邻域，两点i和j之间的距离表示为：其中，d是数据点的维度，为两个数据点i和j之间的距离；根据距离计算结果，确定i的k个最近邻的邻域；i的邻域表示为：其中，i是目标数据点，j是i的邻居，h是数据集中的数据点，distance(i,j)表示i和j之间的距离；
29、对于每个数据点，计算其局部可达密度，具体的计算表达式为：式中，i是要计算lrd的数据点，是i的k个最近邻的邻域，reach-distk(i,b)是i到b的k最近邻距离，为每个数据点的局部可达密度；
30、对于每个数据点，计算其局部离群因子，即计算缺陷数量离群指数，具体的计算表达式为：式中，为缺陷数量离群指数。
31、在一个优选地实施方式中，s5中，对缺陷的几何特征进行评估，确定其对pcba板性能的影响程度，包括从缺陷的几何特征数据中获取几何缺陷异常指数，则几何缺陷异常指数的获取方法为：
32、实时获取pcba板上缺陷的数量n，以及每个缺陷具有m个几何特征；将几何特征组成一个n×m的特征矩阵x，其中每一行代表一个缺陷，每一列代表一个几何特征；
33、对特征矩阵x进行标准化处理，计算特征矩阵x的协方差矩阵σ，具体的计算表达式为：其中，表示矩阵x的转置；
34、对协方差矩阵σ进行特征值分解，得到特征值λ1,λ2,...,λm和对应的特征向量v1,v2,...,vm，根据特征值的大小，选择前k个特征值对应的特征向量作为主成分，其中k是自定义的参数；
35、对于每个缺陷，将其几何特征数据xi投影到所选的主成分上，然后根据每个主成分的方差贡献率来计算几何缺陷异常指数，几何缺陷异常指数的计算表达式为：式中，xi表示第i个缺陷的几何特征向量，表示第个主成分，λ表示第个主成分对应的特征值，为几何缺陷异常指数。
36、在一个优选地实施方式中，s6中，将缺陷位置定位的准确程度和缺陷的几何特征对pcba板性能的影响程度进行综合分析，具体为：
37、将缺陷数量离群指数和几何缺陷异常指数进行归一化处理，通过归一化处理后的缺陷数量离群指数和几何缺陷异常指数计算pcba板的质量评估系数。
38、在一个优选地实施方式中，将pcba板的质量评估系数与质量标准阈值进行比较，若pcba板的质量评估系数大于等于质量标准阈值，此时发出质量正常信号，将相应的pcba板标记为质量正常的pcba板；若pcba板的质量评估系数小于质量标准阈值，此时发出质量异常信号，将相应的pcba板标记为质量异常的pcba板。
39、本发明还提供了基于深度学习的pcba板自动检测系统，包括推理模块、时间分析模块、推理时间划分模块、缺陷识别分类模块，缺陷定位模块以及质量评估模块；
40、推理模块：根据pcba板自动检测场景的时间检测标准，针对所选的深度学习模型进行推理，并记录相应的推理时间数据；
41、时间分析模块：对收集到的推理时间数据进行分析，根据不同检测场景下pcba板的时间检测标准，将推理时间划分为异常推理时间和正常推理时间；
42、推理时间划分模块：根据实际需求和推理时间数据的分布情况，确定正常推理时间中的推理时间阈值，根据推理时间阈值将推理时间划分为高效推理时间、一般推理时间，低效推理时间；
43、缺陷识别分类模块：对于低效推理时间，通过深度学习模型对pcba板图像进行特征提取，并对pcba板上的缺陷进行识别和分类；
44、缺陷定位模块：将检测到的pcba板上的缺陷进行精细判定和定位，确定缺陷的位置和数量，判断缺陷位置定位的准确程度，并对缺陷的几何特征进行评估，确定其对pcba板性能的影响程度；
45、质量评估模块：基于pcba上检测到的缺陷，将缺陷位置定位的准确程度和缺陷的几何特征对pcba板性能的影响程度进行综合分析，评估pcba板的质量，并做出相应的处理决策。
46、在上述技术方案中，本发明提供的技术效果和优点：
47、1、本发明通过对推理时间数据的分析和阈值确定，能够将推理时间划分为不同等级，提高了对异常推理时间的敏感度，从而及时发现低效推理时间。在低效推理时间下，利用深度学习模型对pcba板图像进行特征提取和缺陷识别，实现了对缺陷的快速识别和分类，提高了检测效率和准确性。
48、2、本发明通过对检测到的缺陷进行精细判定和定位，并对缺陷的位置、数量和几何特征进行评估，实现了对pcba板性能影响的全面分析。基于综合分析的结果，评估pcba板的质量，并做出相应的处理决策，能够及时发现和修复缺陷，提高了产品质量和客户满意度，减少了产品退货率和客户投诉。
1.基于深度学习的pcba板自动检测方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的基于深度学习的pcba板自动检测方法，其特征在于：s1中，通过循环神经网络针对所选的深度学习模型进行推理，包括：确定用于推理的数据集和pcba板自动检测场景，加载已经训练好的深度学习模型，对于每个推理样本，将pcba板的图像数据作为输入参数数据；对于每个推理样本，执行模型的推理过程，在开始推理之前获取当前时间作为开始时间，推理完成后获取当前时间作为结束时间；使用结束时间减去开始时间，计算出每个推理样本的推理时间；对数据集中的所有样本都执行相同的推理过程，并记录每个样本的推理时间数据。
3.根据权利要求2所述的基于深度学习的pcba板自动检测方法，其特征在于：s2中，将推理时间划分为异常推理时间和正常推理时间，具体为：
4.根据权利要求3所述的基于深度学习的pcba板自动检测方法，其特征在于：s3中，确定正常推理时间中的推理时间阈值，并根据该阈值将推理时间划分为高效推理时间、一般推理时间和低效推理时间，具体包括：
5.根据权利要求4所述的基于深度学习的pcba板自动检测方法，其特征在于：将每个推理时间根据推理时间阈值进行划分，具体为：
6.根据权利要求5所述的基于深度学习的pcba板自动检测方法，其特征在于：s4中，针对低效推理时间，通过卷积神经网络对pcba板图像进行特征提取，并对pcba板上的缺陷进行识别和分类，具体为：
7.根据权利要求6所述的基于深度学习的pcba板自动检测方法，其特征在于：s5中，根据缺陷的位置和数量，判断缺陷位置定位的准确程度包括获取缺陷数量离群指数，缺陷数量离群指数的获取方法为：
8.根据权利要求7所述的基于深度学习的pcba板自动检测方法，其特征在于：s5中，对缺陷的几何特征进行评估，确定其对pcba板性能的影响程度，包括从缺陷的几何特征数据中获取几何缺陷异常指数，则几何缺陷异常指数的获取方法为：
9.根据权利要求8所述的基于深度学习的pcba板自动检测方法，其特征在于：s6中，将缺陷位置定位的准确程度和缺陷的几何特征对pcba板性能的影响程度进行综合分析，评估pcba板的质量，具体为：
10.基于深度学习的pcba板自动检测系统，用于实现权利要求1-9任一项所述的基于深度学习的pcba板自动检测方法，其特征在于：包括推理模块、时间分析模块、推理时间划分模块、缺陷识别分类模块，缺陷定位模块以及质量评估模块；
