基于深度學習的PCB板元件檢測與識別系統設計

寧波職業技術學院電子信息工程學院 馬宇峰 羊軼濤 馬佳明 胡國偉 曾 佳

PCB（Printed circuit Board，印刷電路板）元件的缺陷檢測是加工生產中必不可少的環節，此檢測具有重要意義。傳統的檢測方法存在成本高、效率低等缺點。本文設計了一種基于深度學習的PCB板元件缺陷檢測系統。在自己制作的PCB板元件數據集上，首先對PCB板的原始圖像進行處理識別，再通過Cascade R-CNN卷積神經網絡訓練數據集，測試集上利用訓練好的模型檢測訓練結果，最后將訓練好的模型部署在樹莓派4B上，采用Qt軟件環境開發人機交互界面。實驗證明，本文設計的系統有較好的檢測效果，且具備一定的實用性和市場價值。

印刷電路板（又稱為印刷線路或印制電路板）是電子元器件電氣連接的提供者。PCB元件焊接的質量問題直接決定了企業的生存狀況，對于PCB元件缺陷的檢測成為企業質量保證必不可少的環節。目前，常用的檢測方法有人工測試、電測試和光學測試，其中電測試又包括在線測試和功能測試。近年來自動光學檢測(Automatic Optical Inspection System，簡稱AOI)是PCB元件缺陷的高效檢測方法。但是AOI檢測系統價格昂貴，很多中小型企業仍采用人眼檢測的方法，人眼檢測方法存在檢測效率低、工人由于長時間工作導致雙眼疲勞而造成錯誤漏檢、微小器件人眼無法識別等問題，因此，設計一種低成本、高可靠的PCB元件檢測系統具有重要的價值。本文研究基于深度學習的PCB板元件自動缺陷檢測方法，這種方法依賴于數據模型，使用部署在樹莓派4B上的Opencv4.1.0在Qt5環境下設計UI界面對PCB的元件進行缺陷檢測。

1 系統構成

根據PCB板元件缺陷檢測要求，本系統包括兩個模塊：（1）圖像采集和拼接模塊。首先CCD攝像機鏡頭在XY工作臺帶動下掃描PCB電路板獲取PCB圖像，然后在經過一定的算法處理后拼接成完整的PCB板圖像；（2）故障檢測模塊。基于百度PaddleDetection物體檢測框架，使用Cascade R-CNN模型訓練自建的數據集對PCB板元件的目標進行檢測，并用訓練好的模型對采集的PCB板元件進行定位和分類，得到故障的具體信息。訓練好的模型部署在樹莓派4B中，上位機界面由Python開發平臺的Qt5完成。

2 系統硬件設計

根據系統性能要求，控制器主要有兩類可以選擇，一種是工控機，其具有可靠性高、穩定性強、抗震性好等優點；另一種是基于ARM的微型電腦。由于本文基于深度學習技術來設計PCB板元件的缺陷檢測，同時考慮到成本因素，選擇Raspberry Pi 4B作為硬件平臺。Raspberry Pi是一款具有相當競爭力的前沿機器學習處理平臺，具有操作簡單、成本低，系統開發時間較短等優點。

表1 Cascade R-CNN算法流程表

3 PCB板元件缺陷檢測算法

本文采用Cascade R-CNN算法對目標進行檢測。Cascade R-CNN是在Faster-RCNN基礎上，將多個R-CNN的網絡基于不同的IoU閥值進行級聯，達到不斷優化檢測結果的目的。與普通級聯不同的是，前一個R-CNN網絡的輸出結果可以作為后一個R-CNN網絡的輸入，越往后的檢測模型其界定正負樣本的IoU閥值更高，好處是產生更高質量的邊界框，可以避免在樣本不足情況下的過度擬合問題。Cascade R-CNN是兩階段體系的訓練結構，如圖1所示。對于一張原始圖像，第一階段是作用于整張影像的候選區域提取子網絡（H0）以生成初始的檢測假設，稱為目標提議。在第二階段，這些假設對感興趣區域檢測子網絡（H1）的輸入，最終分類數（Cls）和邊界框（B）分配給每個目標提議。本文采用RPN獲得目標提議。Cascade R-CNN算法流程如表1所示。

圖1 Cascade R-CNN模型結構

4 軟件開發設計

本文提出的PCB板元件缺陷檢測系統需要一個良好的UI（即用戶界面的簡稱），UI設計則是指對軟件

5 實驗結果與分析

在完成系統開發后，對系統的性能進行驗證，首先將預訓練的模型部署在樹莓派中，然后將待檢測的PCB板放入測試平臺上，獲取一張原始的成本PCB彩色圖像如圖2(a)所示，對它進行預測得到的檢測結果如圖2(b)所示。分析圖2(b)可知，本文設計的檢測系統能正確的檢測出偏位和立碑缺陷。

圖2 PCB板原始圖像和檢測圖像對比

結束語：隨著電子技術的不斷發展和進步，PCB板的集成度越來越高，傳統的PCB板生產過程中通過目前的方法來檢測PCB板元件是否存在缺陷已經無法適應PCB板檢測的需求。本文以計算機視覺為基礎，結合當前領先的深度學習技術，然后利用Opencv4和Qt的人機交互、操作邏輯，界面美觀的整體設計。本文用戶界面的設計采用的是Qt5，是由奇趣科技開發的跨平臺C++圖形用戶界面應用程序開發框架。本文設計的UI界面主要包括標準圖像的顯示區域、檢測結果的顯示區域、圖片的打開和關閉、攝像頭打開、關閉等相應的操作。對該系統進行了開發，并能對漏焊、偏位、少錫等類型缺陷進行自動識別，具有簡單直觀、檢測速度快、檢測結果準確等優點。