基于深度学习的PCB板元件检测与识别系统设计

宁波职业技术学院电子信息工程学院 马宇峰 羊轶涛 马佳明 胡国伟 曾 佳

PCB（Printed circuit Board，印刷电路板）元件的缺陷检测是加工生产中必不可少的环节，此检测具有重要意义。传统的检测方法存在成本高、效率低等缺点。本文设计了一种基于深度学习的PCB板元件缺陷检测系统。在自己制作的PCB板元件数据集上，首先对PCB板的原始图像进行处理识别，再通过Cascade R-CNN卷积神经网络训练数据集，测试集上利用训练好的模型检测训练结果，最后将训练好的模型部署在树莓派4B上，采用Qt软件环境开发人机交互界面。实验证明，本文设计的系统有较好的检测效果，且具备一定的实用性和市场价值。

印刷电路板（又称为印刷线路或印制电路板）是电子元器件电气连接的提供者。PCB元件焊接的质量问题直接决定了企业的生存状况，对于PCB元件缺陷的检测成为企业质量保证必不可少的环节。目前，常用的检测方法有人工测试、电测试和光学测试，其中电测试又包括在线测试和功能测试。近年来自动光学检测(Automatic Optical Inspection System，简称AOI)是PCB元件缺陷的高效检测方法。但是AOI检测系统价格昂贵，很多中小型企业仍采用人眼检测的方法，人眼检测方法存在检测效率低、工人由于长时间工作导致双眼疲劳而造成错误漏检、微小器件人眼无法识别等问题，因此，设计一种低成本、高可靠的PCB元件检测系统具有重要的价值。本文研究基于深度学习的PCB板元件自动缺陷检测方法，这种方法依赖于数据模型，使用部署在树莓派4B上的Opencv4.1.0在Qt5环境下设计UI界面对PCB的元件进行缺陷检测。

1 系统构成

根据PCB板元件缺陷检测要求，本系统包括两个模块：（1）图像采集和拼接模块。首先CCD摄像机镜头在XY工作台带动下扫描PCB电路板获取PCB图像，然后在经过一定的算法处理后拼接成完整的PCB板图像；（2）故障检测模块。基于百度PaddleDetection物体检测框架，使用Cascade R-CNN模型训练自建的数据集对PCB板元件的目标进行检测，并用训练好的模型对采集的PCB板元件进行定位和分类，得到故障的具体信息。训练好的模型部署在树莓派4B中，上位机界面由Python开发平台的Qt5完成。

2 系统硬件设计

根据系统性能要求，控制器主要有两类可以选择，一种是工控机，其具有可靠性高、稳定性强、抗震性好等优点；另一种是基于ARM的微型电脑。由于本文基于深度学习技术来设计PCB板元件的缺陷检测，同时考虑到成本因素，选择Raspberry Pi 4B作为硬件平台。Raspberry Pi是一款具有相当竞争力的前沿机器学习处理平台，具有操作简单、成本低，系统开发时间较短等优点。

表1 Cascade R-CNN算法流程表

3 PCB板元件缺陷检测算法

本文采用Cascade R-CNN算法对目标进行检测。Cascade R-CNN是在Faster-RCNN基础上，将多个R-CNN的网络基于不同的IoU阀值进行级联，达到不断优化检测结果的目的。与普通级联不同的是，前一个R-CNN网络的输出结果可以作为后一个R-CNN网络的输入，越往后的检测模型其界定正负样本的IoU阀值更高，好处是产生更高质量的边界框，可以避免在样本不足情况下的过度拟合问题。Cascade R-CNN是两阶段体系的训练结构，如图1所示。对于一张原始图像，第一阶段是作用于整张影像的候选区域提取子网络（H0）以生成初始的检测假设，称为目标提议。在第二阶段，这些假设对感兴趣区域检测子网络（H1）的输入，最终分类数（Cls）和边界框（B）分配给每个目标提议。本文采用RPN获得目标提议。Cascade R-CNN算法流程如表1所示。

图1 Cascade R-CNN模型结构

4 软件开发设计

本文提出的PCB板元件缺陷检测系统需要一个良好的UI（即用户界面的简称），UI设计则是指对软件

5 实验结果与分析

在完成系统开发后，对系统的性能进行验证，首先将预训练的模型部署在树莓派中，然后将待检测的PCB板放入测试平台上，获取一张原始的成本PCB彩色图像如图2(a)所示，对它进行预测得到的检测结果如图2(b)所示。分析图2(b)可知，本文设计的检测系统能正确的检测出偏位和立碑缺陷。

图2 PCB板原始图像和检测图像对比

结束语：随着电子技术的不断发展和进步，PCB板的集成度越来越高，传统的PCB板生产过程中通过目前的方法来检测PCB板元件是否存在缺陷已经无法适应PCB板检测的需求。本文以计算机视觉为基础，结合当前领先的深度学习技术，然后利用Opencv4和Qt的人机交互、操作逻辑，界面美观的整体设计。本文用户界面的设计采用的是Qt5，是由奇趣科技开发的跨平台C++图形用户界面应用程序开发框架。本文设计的UI界面主要包括标准图像的显示区域、检测结果的显示区域、图片的打开和关闭、摄像头打开、关闭等相应的操作。对该系统进行了开发，并能对漏焊、偏位、少锡等类型缺陷进行自动识别，具有简单直观、检测速度快、检测结果准确等优点。