(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利務(wù)所(特殊普通合伙)44939GO6V10/764(20GO6N3/08(2023.GO6VGO6V10/774(2022.GO6V10/80(202GO6V10/82(202審查員郭曉坤印刷線路板缺陷識別的深度學(xué)習(xí)方法及系統(tǒng)集并進(jìn)行圖像增強(qiáng)，獲得線路板主體增強(qiáng)圖像行缺陷模式特征提取，獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行分類器構(gòu)21.一種印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，包括以下步驟：步驟S1:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行線路板背景清理，從而獲得線路板主體圖像集；對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集；步驟S2:對線路板主體增強(qiáng)圖像集進(jìn)行線路板多層主體層級整合，從而獲得線路板主體層級整合圖像集，并對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集；步驟S3:基于線路板層級功能模塊圖像集進(jìn)行層級功能模塊缺陷檢測，從而獲得層級功能模塊缺陷圖像集，并基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)，步驟步驟S31:對線路板層級功能模塊圖像集進(jìn)行層級功能模塊組件布局特征提取，從而獲得層級功能模塊組件布局?jǐn)?shù)據(jù)；步驟S32:根據(jù)層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行組件傳輸距離估計(jì)，從而獲得模塊組件傳輸距離數(shù)據(jù)，并根據(jù)模塊組件傳輸距離數(shù)據(jù)進(jìn)行模塊相對傳輸距離統(tǒng)計(jì)，從而獲得高相對傳輸距離模塊數(shù)據(jù)以及低相對傳輸距離模塊數(shù)據(jù)；步驟S33:對層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行模塊組件密集度估計(jì)，從而獲得模塊組件密集度數(shù)據(jù)，并根據(jù)模塊組件密集度數(shù)據(jù)進(jìn)行模塊相對密集度統(tǒng)計(jì)，從而獲得高組件密集度模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)；步驟S34:對高相對傳輸距離模塊數(shù)據(jù)以及高組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得缺陷功能模塊數(shù)據(jù)；對低相對傳輸距離模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得正常功能模塊數(shù)據(jù)；步驟S35:對正常功能模塊數(shù)據(jù)以及缺陷功能模塊數(shù)據(jù)進(jìn)行層級空間合并，從而獲得層級功能模塊缺陷數(shù)據(jù)，并根據(jù)層級功能模塊缺陷數(shù)據(jù)對線路板層級功能模塊圖像集進(jìn)行缺陷模塊圖像集提取，從而獲得層級功能模塊缺陷圖像集；步驟S36:基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)；步驟S4:基于缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行線路板深度信息缺失校正，從而獲得層級功能模塊實(shí)際缺陷圖像集；根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)；步驟S5:基于線路板缺陷模式數(shù)據(jù)進(jìn)行缺陷模式特征提取，從而獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行深度學(xué)習(xí)分類器構(gòu)建，從而獲得印刷線路板缺陷識別模型。2.根據(jù)權(quán)利要求1所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S1具體為：步驟S11:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行灰度圖像轉(zhuǎn)步驟S12:對灰度線路板圖像集進(jìn)行像素灰度值統(tǒng)計(jì)，從而獲得圖像像素灰度值數(shù)據(jù)，并根據(jù)圖像像素灰度值數(shù)據(jù)進(jìn)行低頻灰度值統(tǒng)計(jì)，從而獲得低頻像素灰度值數(shù)據(jù)；步驟S13:根據(jù)低頻像素灰度值數(shù)據(jù)對灰度線路板圖像集進(jìn)行低頻像素灰度值區(qū)域圖3像清理，從而獲得線路板前景圖像集；步驟S14:對線路板前景圖像集進(jìn)行形態(tài)學(xué)邊緣平滑，從而獲得線路板主體圖像集；步驟S15:對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖3.根據(jù)權(quán)利要求2所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S15具體為：步驟S151:對線路板主體圖像集進(jìn)行RGB圖像格式轉(zhuǎn)換，從而獲得線路板主體轉(zhuǎn)換圖像集，并對線路板主體轉(zhuǎn)換圖像集進(jìn)行顏色通道分離，從而獲得顏色通道分離圖像集；步驟S152:對顏色通道分離圖像集進(jìn)行全通道自適應(yīng)直方圖均衡化，從而獲得增強(qiáng)顏色通道分離圖像集；步驟S153:對增強(qiáng)顏色通道分離圖像集進(jìn)行顏色通道合并，從而獲得線路板增強(qiáng)圖像步驟S154:根據(jù)線路板增強(qiáng)圖像集進(jìn)行線路板結(jié)構(gòu)特征增強(qiáng)，從而獲得線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集；步驟S155:對線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集進(jìn)行線路板圖像空間4.根據(jù)權(quán)利要求2所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S154具體為：步驟S1541:根據(jù)線路板增強(qiáng)圖像集進(jìn)行圖像像素值統(tǒng)計(jì)，從而獲得高頻圖像像素值數(shù)據(jù)以及低頻圖像像素值數(shù)據(jù)；步驟S1542:根據(jù)高頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行高頻圖像像素值區(qū)域圖像劃分，從而獲得板件區(qū)域圖像集；根據(jù)低頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行低頻圖像像素值區(qū)域圖像劃分，從而獲得組件區(qū)域圖像集；步驟S1543:對板件區(qū)域圖像集進(jìn)行板件結(jié)構(gòu)細(xì)節(jié)銳化濾波處理，從而獲得線路板板件增強(qiáng)圖像集；對組件區(qū)域圖像集進(jìn)行組件結(jié)構(gòu)細(xì)節(jié)平滑輪廓增強(qiáng)，從而獲得線路板組件增強(qiáng)圖像集。5.根據(jù)權(quán)利要求1所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S2具步驟S21:對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)相似度計(jì)算，從而獲得線路板主體結(jié)構(gòu)相似度數(shù)據(jù)；步驟S22:根據(jù)線路板主體結(jié)構(gòu)相似度數(shù)據(jù)對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)聚類，從而獲得線路板主體結(jié)構(gòu)聚類圖像集；步驟S23:對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行聚類結(jié)構(gòu)模式識別，從而獲得聚類結(jié)構(gòu)模式數(shù)據(jù)，并根據(jù)聚類結(jié)構(gòu)模式數(shù)據(jù)進(jìn)行線路板結(jié)構(gòu)層級定義，從而獲得聚類結(jié)構(gòu)層級數(shù)據(jù)；步驟S24:根據(jù)聚類結(jié)構(gòu)層級數(shù)據(jù)對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行多層線路板層級圖像整合，從而獲得線路板主體層級整合圖像集；步驟S25:對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集。6.根據(jù)權(quán)利要求5所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S254具體為：步驟S251:獲取歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)，并對歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)進(jìn)行模塊組件特征提取，從而獲得功能模塊組件特征數(shù)據(jù)；步驟S252:對線路板主體層級整合圖像集進(jìn)行層級線路板結(jié)構(gòu)整合，從而獲得層級布線結(jié)構(gòu)數(shù)據(jù)以及層級組件結(jié)構(gòu)數(shù)據(jù)；步驟S253:根據(jù)層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行布線密集度統(tǒng)計(jì)，從而獲得層級布線密集度數(shù)據(jù)，并根據(jù)層級布線密集度數(shù)據(jù)對層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級密集布線區(qū)域劃分，從而獲得高密集度布線區(qū)域數(shù)據(jù)；步驟S254:根據(jù)層級組件結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級組件連通關(guān)系分析，從而獲得層級組件連通數(shù)據(jù)，并根據(jù)層級組件連通數(shù)據(jù)進(jìn)行高連通數(shù)量組件統(tǒng)計(jì)，從而獲得高連通量組件數(shù)據(jù)；步驟S255:根據(jù)高連通量組件數(shù)據(jù)進(jìn)行區(qū)域高連通量組件占比統(tǒng)計(jì)，從而獲得高連通量組件高占比區(qū)域數(shù)據(jù)；步驟S256:對高連通量組件高占比區(qū)域數(shù)據(jù)以及高密集度布線區(qū)域數(shù)據(jù)進(jìn)行區(qū)域交集步驟S257:根據(jù)功能模塊組件特征數(shù)據(jù)對模塊組件區(qū)域數(shù)據(jù)進(jìn)行功能模塊識別，從而獲得功能模塊組件區(qū)域數(shù)據(jù)，并根據(jù)功能模塊組件區(qū)域數(shù)據(jù)對線路板主體層級整合圖像集進(jìn)行功能模塊區(qū)域劃分，從而獲得線路板層級功能模塊圖像集。7.根據(jù)權(quán)利要求1所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S4具步驟S41:對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行特征描述子構(gòu)建，從而獲得缺陷特征描步驟S42:對缺陷特征描述子進(jìn)行缺陷深度信息推斷，從而獲得缺陷深度信息數(shù)據(jù)；步驟S43:根據(jù)缺陷深度信息數(shù)據(jù)對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行缺失深度信息補(bǔ)償，從而獲得優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)；步驟S44:根據(jù)優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域透視變換，從而獲得層級功能模塊實(shí)際缺陷圖像集；步驟S45:根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)。8.根據(jù)權(quán)利要求7所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，其特征在于，步驟S42具體為：步驟S421:對缺陷特征描述子進(jìn)行主成分降維，從而獲得主成分缺陷特征描述子；步驟S422:對主成分缺陷特征描述子進(jìn)行布局缺陷描述子特征選擇，從而獲得布局缺陷特征描述子；步驟S423:對層級功能模塊缺陷圖像集進(jìn)行圖像紋理連貫性評估，從而獲得圖像紋理連貫性數(shù)據(jù)，并根據(jù)圖像紋理連貫性數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行深度信息缺失區(qū)域聚類，從而獲得深度信息缺失圖像；步驟S424:對布局缺陷特征描述子以及深度信息缺失圖像進(jìn)行缺陷深度信息關(guān)聯(lián)，從而獲得缺陷-深度關(guān)聯(lián)數(shù)據(jù)；步驟S425:基于歷史線路板布局缺陷圖像集以及缺陷-深度關(guān)聯(lián)數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)5絡(luò)深度推斷模型構(gòu)建，從而獲得布局缺陷深度推斷模型；步驟S426:通過布局缺陷深度推斷模型對缺陷特征描述子進(jìn)行布局缺陷深度信息推斷，從而獲得缺陷深度信息數(shù)據(jù)。9.一種印刷線路板缺陷識別的深度學(xué)習(xí)系統(tǒng)，其特征在于，用于執(zhí)行如權(quán)利要求1所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，該印刷線路板缺陷識別的深度學(xué)習(xí)系統(tǒng)包括：圖像質(zhì)量增強(qiáng)模塊，用于獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行線路板背景清理，從而獲得線路板主體圖像集；對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集；功能模塊識別模塊，用于對線路板主體增強(qiáng)圖像集進(jìn)行線路板多層主體層級整合，從而獲得線路板主體層級整合圖像集，并對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集；功能模塊缺陷檢測模塊，用于基于線路板層級功能模塊圖像集進(jìn)行層級功能模塊缺陷檢測，從而獲得層級功能模塊缺陷圖像集，并基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)；深度信息缺失校正模塊，用于基于缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行線路板深度信息缺失校正，從而獲得層級功能模塊實(shí)際缺陷圖像集；根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)；線路板缺陷識別模塊，用于基于線路板缺陷模式數(shù)據(jù)進(jìn)行缺陷模式特征提取，從而獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行深度學(xué)習(xí)分類器構(gòu)建，從而獲得印刷線路板缺陷識別模型。6印刷線路板缺陷識別的深度學(xué)習(xí)方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，尤其涉及一種印刷線路板缺陷識別的深度學(xué)習(xí)方法及系統(tǒng)。背景技術(shù)[0002]隨著電子產(chǎn)品的迅猛發(fā)展，印刷線路板(PrintedCircuitBoard,PCB)作為電子設(shè)備的核心組成部分，其設(shè)計(jì)與制造的復(fù)雜性日益增加。PCB不僅承載著電子元件的連接，更是保證電子設(shè)備正常運(yùn)作的基礎(chǔ)。隨著技術(shù)的點(diǎn)不良等，這些缺陷嚴(yán)重影響產(chǎn)品的可靠性和性能。傳統(tǒng)的PCB缺陷檢測方法多依賴人工視覺檢查或基于規(guī)則的自動(dòng)化檢測，這些方法通常具有較高的勞動(dòng)強(qiáng)度和主觀性，容易受到人為因素的影響，且在復(fù)雜的缺陷模式識別上存在一定的局限性。發(fā)明內(nèi)容[0003]基于此，本發(fā)明有必要提供印刷線路板缺陷識別的深度學(xué)習(xí)方法及系統(tǒng)，以解決至少一個(gè)上述技術(shù)問題。[0004]為實(shí)現(xiàn)上述目的，一種印刷線路板缺陷識別的深度學(xué)習(xí)方法，包括以下步驟：[0005]步驟S1:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行線路板背景清理，從而獲得線路板主體圖像集；對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集；[0006]步驟S2:對線路板主體增強(qiáng)圖像集進(jìn)行線路板多層主體層級整合，從而獲得線路板主體層級整合圖像集，并對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集；[0007]步驟S3:基于線路板層級功能模塊圖像集進(jìn)行層級功能模塊缺陷檢測，從而獲得層級功能模塊缺陷圖像集，并基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)；[0008]步驟S4:基于缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行線路板深度信息缺失校正，從而獲得層級功能模塊實(shí)際缺陷圖像集；根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)；[0009]步驟S5:基于線路板缺陷模式數(shù)據(jù)進(jìn)行缺陷模式特征提取，從而獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行深度學(xué)習(xí)分類器構(gòu)建，從而獲得印刷線路板缺陷識別模型。[0010]本發(fā)明通過獲取印刷線路板(PCB)的原始圖像集并進(jìn)行背景清理，可以有效去除圖像中不必要的干擾信息，突出線路板的主體部分。這一過程為后續(xù)的圖像處理打下了堅(jiān)實(shí)的基礎(chǔ)，確保檢測算法能夠聚焦于關(guān)鍵信息。通過質(zhì)量增強(qiáng)技術(shù)(如對比度提升、去噪聲處理),可以提高圖像的清晰度和可讀性。這種增強(qiáng)能夠幫助后續(xù)算法更準(zhǔn)確地識別線路板7的細(xì)節(jié)，從而提高缺陷檢測的精度。將PCB的多層圖像進(jìn)行整合，可以提供助分析各層之間的相互關(guān)系。這種層級整合使得后續(xù)分析能夠更好地理解整個(gè)線路板的結(jié)構(gòu)，從而提高功能模塊的識別率。通過功能模塊識別，能夠確定各個(gè)功能區(qū)域的具體作用，便于定位潛在的缺陷。這一步能夠提高缺陷檢測的針對性，減少誤檢和漏檢的概率。在層級功能模塊上進(jìn)行缺陷檢測，能夠迅速識別出影響產(chǎn)品質(zhì)量的缺陷，從而及時(shí)采取措施。這一過程提高了檢測的效率和準(zhǔn)確性。通過卷積神經(jīng)網(wǎng)絡(luò)提取缺陷區(qū)域的層次化特征，可以更深入地分析缺陷的性質(zhì)與嚴(yán)重程度。這為后續(xù)的缺陷分類和處理提供了更加豐富的數(shù)據(jù)支持?；谌毕輩^(qū)域的特征數(shù)據(jù)進(jìn)行深度信息的缺失校正，能夠確保缺陷檢測結(jié)果的可靠性。這一校正過程減少了因信息缺失導(dǎo)致的誤判，使得缺陷識別更加準(zhǔn)確。通過對實(shí)際缺陷圖像進(jìn)行模式識別，能夠提取出特定的缺陷模式數(shù)據(jù)。這一識別過程為后續(xù)的缺陷分析和改進(jìn)提供了數(shù)據(jù)依據(jù)，有助于提高PCB生產(chǎn)的質(zhì)量控制水平。從缺陷模式數(shù)據(jù)中提取特征向量集，為深度學(xué)習(xí)模型提供有效的輸入數(shù)據(jù)。這種特征提取提高了分類器的學(xué)習(xí)效率和準(zhǔn)確性，使其能夠更好地適應(yīng)復(fù)雜的檢測任務(wù)。構(gòu)建印刷線路板缺陷識別模型，能夠?qū)崿F(xiàn)自動(dòng)化的缺陷檢測與分類，減少人工干預(yù)。這種智能化的檢測系統(tǒng)提高了生產(chǎn)效率，降低了人工成本，同時(shí)提升了產(chǎn)品的可靠性和一致性。綜上所述，各步驟的具體有益效果顯著提高了PCB的缺陷檢測效率與準(zhǔn)確性，降低了生產(chǎn)過程中的人為錯(cuò)誤，最終確保了產(chǎn)品質(zhì)量的穩(wěn)定性與可靠性。通過系統(tǒng)化的處理與分析，可以實(shí)現(xiàn)對復(fù)雜缺陷模式的高效識別與處理，為電子產(chǎn)品的生產(chǎn)提供了強(qiáng)有力的技術(shù)支持。[0012]步驟S11:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行灰度圖像轉(zhuǎn)換，從而獲得灰度線路板圖像集；[0013]步驟S12:對灰度線路板圖像集進(jìn)行像素灰度值統(tǒng)計(jì)，從而獲得圖像像素灰度值數(shù)據(jù)，并根據(jù)圖像像素灰度值數(shù)據(jù)進(jìn)行低頻灰度值統(tǒng)計(jì)，從而獲得低頻像素灰度值數(shù)據(jù)；[0014]步驟S13:根據(jù)低頻像素灰度值數(shù)據(jù)對灰度線路板圖像集進(jìn)行低頻像素灰度值區(qū)域圖像清理，從而獲得線路板前景圖像集；[0015]步驟S14:對線路板前景圖像集進(jìn)行形態(tài)學(xué)邊緣平滑，從而獲得線路板主體圖像[0016]步驟S15:對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集。[0017]本發(fā)明通過將彩色圖像轉(zhuǎn)換為灰度圖像，可以減少圖像的數(shù)據(jù)量，簡化后續(xù)的處理?；叶葓D像有助于突出不同結(jié)構(gòu)的對比度，方便后續(xù)的分析與處理?；叶然癁楹罄m(xù)步驟提供了統(tǒng)一的圖像格式，確保處理的一致性。通過統(tǒng)計(jì)像素灰度值，可以提取出圖像中的重要特征，有助于后續(xù)的分析。低頻灰度值統(tǒng)計(jì)能夠幫助識別和去除圖像中的高頻噪聲，提高圖像的清晰度。獲取低頻灰度值數(shù)據(jù)為后續(xù)的圖像處理提供了重要的數(shù)據(jù)支持，能夠更好地理解圖像的整體特征。通過清理低頻區(qū)域，可以去除不必要的背景噪聲，增強(qiáng)圖像的質(zhì)量，有助于突出線路板的主要特征和結(jié)構(gòu)，確保前景信息的清晰可見，清理后的圖像便于后續(xù)的分析與處理，降低了算法復(fù)雜性。形態(tài)學(xué)邊緣平滑技術(shù)可以使線路板的邊緣更加光滑且易于識別，改善圖像的視覺效果。通過平滑處理，可以消除圖像中的小噪聲和偽影，從而獲得更準(zhǔn)確的邊緣信息。平滑后的圖像有助于提高后續(xù)分析和特征提取的準(zhǔn)確性，確保識別8結(jié)果的可靠性。圖像質(zhì)量增強(qiáng)可以提高線路板的整體可視化效果，使得細(xì)節(jié)更加清晰，易于觀察。增強(qiáng)后的圖像便于后續(xù)的自動(dòng)化分析，如缺陷檢測和特征識別，減少了人工干預(yù)。通過增強(qiáng)圖像質(zhì)量，可以更好地確保線路板的整體質(zhì)量，從而提高制造過程的可靠性和有效性。[0019]步驟S151:對線路板主體圖像集進(jìn)行RGB圖像格式轉(zhuǎn)換，從而獲得線路板主體轉(zhuǎn)換圖像集，并對線路板主體轉(zhuǎn)換圖像集進(jìn)行顏色通道分離，從而獲得顏色通道分離圖像集；[0020]步驟S152:對顏色通道分離圖像集進(jìn)行全通道自適應(yīng)直方圖均衡化，從而獲得增強(qiáng)顏色通道分離圖像集；[0021]步驟S153:對增強(qiáng)顏色通道分離圖像集進(jìn)行顏色通道合并，從而獲得線路板增強(qiáng)圖像集；[0022]步驟S154:根據(jù)線路板增強(qiáng)圖像集進(jìn)行線路板結(jié)構(gòu)特征增強(qiáng)，從而獲得線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集；[0023]步驟S155:對線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集進(jìn)行線路板圖像空間合并，從而獲得線路板主體增強(qiáng)圖像集。[0024]本發(fā)明將線路板主體的圖像集轉(zhuǎn)換為RGB格式，確保圖像信息以標(biāo)準(zhǔn)格式存儲(chǔ)和處理，這一轉(zhuǎn)換能有效提升后續(xù)處理的兼容性。將線路板主體的圖像集轉(zhuǎn)換為RGB格式，確保圖像信息以標(biāo)準(zhǔn)格式存儲(chǔ)和處理。這一轉(zhuǎn)換能有效提升后續(xù)處理的兼容性。通過對每個(gè)顏色通道獨(dú)立進(jìn)行直方圖均衡化，增強(qiáng)圖像的對比度和亮度，這一過程有助于改善圖像的可視性，使得微小細(xì)節(jié)更加明顯，特別是在復(fù)雜背景下的線路和元件更易于識別。將增強(qiáng)后的顏色通道重新合并為一幅圖像，將之前的增強(qiáng)效果結(jié)合起來，得到更加清晰、色彩豐富的線路板圖像，有利于提高后續(xù)分析的準(zhǔn)確性和效率?；谠鰪?qiáng)后的圖像集，進(jìn)一步提取和增強(qiáng)線路板的結(jié)構(gòu)特征，這一步可以突出電路板上的重要組成部分，如線路、焊點(diǎn)和元件，使得它們在圖像中更加顯眼，從而支持后續(xù)的自動(dòng)檢測和識別任務(wù)。將線路板板件增強(qiáng)圖像集與組件增強(qiáng)圖像集進(jìn)行空間合并，最終生成一個(gè)綜合的線路板主體增強(qiáng)圖像集，這一過程能夠綜合不同增強(qiáng)效果，使得線路板的整體視圖更加清晰和完整，有助于后續(xù)的分析和決策。[0026]步驟S1541:根據(jù)線路板增強(qiáng)圖像集進(jìn)行圖像像素值統(tǒng)計(jì)，從而獲得高頻圖像像素值數(shù)據(jù)以及低頻圖像像素值數(shù)據(jù)；[0027]步驟S1542:根據(jù)高頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行高頻圖像像素值區(qū)域圖像劃分，從而獲得板件區(qū)域圖像集；根據(jù)低頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行低頻圖像像素值區(qū)域圖像劃分，從而獲得組件區(qū)域圖像集；[0028]步驟S1543:對板件區(qū)域圖像集進(jìn)行板件結(jié)構(gòu)細(xì)節(jié)銳化濾波處理，從而獲得線路板板件增強(qiáng)圖像集；對組件區(qū)域圖像集進(jìn)行組件結(jié)構(gòu)細(xì)節(jié)平滑輪廓增強(qiáng)，從而獲得線路板組件增強(qiáng)圖像集。[0029]本發(fā)明中高頻像素值代表圖像中的細(xì)節(jié)、邊緣和紋理信息，能幫助識別線路板上的微小缺陷。低頻像素值則反映了圖像的整體結(jié)構(gòu)和大尺度變化，有助于理解板件的基本形狀和位置。通過對圖像進(jìn)行統(tǒng)計(jì)，可以建立高頻和低頻像素值的分布模型。這為后續(xù)的圖9像處理提供了數(shù)據(jù)支持，確保處理方法更有針對性。統(tǒng)計(jì)過程能夠識別和濾除圖像中的噪聲，有效增強(qiáng)后續(xù)處理的穩(wěn)定性和準(zhǔn)確性。高頻像素值區(qū)域劃分能夠突出線路板的細(xì)節(jié)部分，使得結(jié)構(gòu)復(fù)雜的區(qū)域(如焊點(diǎn)、引腳)更容易識別，便于缺陷檢測，低頻像素值區(qū)域劃分則強(qiáng)調(diào)了整體結(jié)構(gòu)，幫助識別組件的位置和布局。通過將圖像劃分為板件區(qū)域和組件區(qū)域，可以針對不同區(qū)域應(yīng)用特定的處理算法，減少不必要的計(jì)算，提高整體處理效率。區(qū)域劃分后的圖像可以進(jìn)行更深入的特征提取，如形狀、尺寸和位置，從而為后續(xù)的機(jī)器學(xué)習(xí)或自動(dòng)化檢測提供更豐富的數(shù)據(jù)。對板件區(qū)域進(jìn)行銳化濾波處理，有助于突出細(xì)節(jié)，改善線路板缺陷的可見性，使得自動(dòng)檢測系統(tǒng)更容易識別缺陷。對組件區(qū)域的平滑處理，則可以消除不必要的紋理噪聲，增強(qiáng)組件的可識別性，確保整體布局的清晰度。經(jīng)過增強(qiáng)處理的圖像在視覺上更清晰，有助于工程師進(jìn)行人工檢查，同時(shí)也有利于后續(xù)的自動(dòng)化分析。增強(qiáng)后的圖像集可以用于多種后續(xù)應(yīng)用，如機(jī)器視覺系統(tǒng)、智能檢測、以及后續(xù)的質(zhì)量分析，增強(qiáng)整體生產(chǎn)效率和產(chǎn)品質(zhì)量。[0031]步驟S21:對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)相似度計(jì)算，從而獲得線路板主體結(jié)構(gòu)相似度數(shù)據(jù)；[0032]步驟S22:根據(jù)線路板主體結(jié)構(gòu)相似度數(shù)據(jù)對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)聚類，從而獲得線路板主體結(jié)構(gòu)聚類圖像集；[0033]步驟S23:對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行聚類結(jié)構(gòu)模式識別，從而獲得聚類結(jié)構(gòu)模式數(shù)據(jù)，并根據(jù)聚類結(jié)構(gòu)模式數(shù)據(jù)進(jìn)行線路板結(jié)構(gòu)層級定義，從而獲得聚類結(jié)構(gòu)層級[0034]步驟S24:根據(jù)聚類結(jié)構(gòu)層級數(shù)據(jù)對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行多層線路板層級圖像整合，從而獲得線路板主體層級整合圖像集；[0035]步驟S25:對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集。[0036]本發(fā)明通過對線路板主體的相似度計(jì)算，可以準(zhǔn)確識別出不同線路板之間的結(jié)構(gòu)相似性，進(jìn)而減少錯(cuò)誤分類的可能性。增強(qiáng)圖像可以去除背景噪聲，提高檢測的精度，使得相似度計(jì)算更加可靠。相似度計(jì)算可自動(dòng)化處理，減輕人工檢測負(fù)擔(dān)，降低人為錯(cuò)誤的概率。聚類分析能夠識別出不同線路板結(jié)構(gòu)的潛在模式，從而為后續(xù)的缺陷檢測和分類提供有力支持。通過對結(jié)構(gòu)相似的線路板進(jìn)行聚類，可以有效減少需要處理的數(shù)據(jù)量，提升檢測效率。通過聚類，檢測系統(tǒng)能夠更快地集中于特定類別的線路板，從而提高整體檢測速度。聚類結(jié)構(gòu)模式識別有助于識別特定的缺陷類型，為后續(xù)的缺陷處理提供基礎(chǔ)。根據(jù)聚類結(jié)構(gòu)模式數(shù)據(jù)進(jìn)行層級定義，可以清晰地劃分出不同的線路板功能模塊，增強(qiáng)后續(xù)分析的可操作性。通過識別不同的聚類模式，系統(tǒng)能夠提供更智能的決策支持，從而在復(fù)雜環(huán)境中快速響應(yīng)。多層整合圖像使得檢測人員能夠從整體上把握線路板結(jié)構(gòu)，提升理解與分析的效率。通過層級整合，可以將復(fù)雜的線路板設(shè)計(jì)簡化為更易于理解和操作的視覺模型。整合后的圖像能夠幫助團(tuán)隊(duì)成員更好地協(xié)作，提高溝通效率。通過功能模塊識別，能夠迅速定位到可能存在缺陷的模塊，縮短故障排查時(shí)間。通過有效的功能模塊檢測，可以及時(shí)發(fā)現(xiàn)潛在的故障，從而提高產(chǎn)品的可靠性和性能。通過分析功能模塊的性能，可以為線路板設(shè)計(jì)的優(yōu)化提供數(shù)據(jù)支持，有助于提高未來產(chǎn)品的競爭力。[0038]步驟S251:獲取歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)，并對歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)進(jìn)行模塊組件特征提取，從而獲得功能模塊組件特征數(shù)據(jù)；[0039]步驟S252:對線路板主體層級整合圖像集進(jìn)行層級線路板結(jié)構(gòu)整合，從而獲得層級布線結(jié)構(gòu)數(shù)據(jù)以及層級組件結(jié)構(gòu)數(shù)據(jù)；[0040]步驟S253:根據(jù)層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行布線密集度統(tǒng)計(jì)，從而獲得層級布線密集度數(shù)據(jù)，并根據(jù)層級布線密集度數(shù)據(jù)對層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級密集布線區(qū)域劃分，從而獲得高密集度布線區(qū)域數(shù)據(jù)；[0041]步驟S254:根據(jù)層級組件結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級組件連通關(guān)系分析，從而獲得層級組件連通數(shù)據(jù)，并根據(jù)層級組件連通數(shù)據(jù)進(jìn)行高連通數(shù)量組件統(tǒng)計(jì)，從而獲得高連通量組件[0042]步驟S255:根據(jù)高連通量組件數(shù)據(jù)進(jìn)行區(qū)域高連通量組件占比統(tǒng)計(jì)，從而獲得高連通量組件高占比區(qū)域數(shù)據(jù)；[0043]步驟S256:對高連通量組件高占比區(qū)域數(shù)據(jù)以及高密集度布線區(qū)域數(shù)據(jù)進(jìn)行區(qū)域交集運(yùn)算，從而獲得模塊組件區(qū)域數(shù)據(jù)；[0044]步驟S257:根據(jù)功能模塊組件特征數(shù)據(jù)對模塊組件區(qū)域數(shù)據(jù)進(jìn)行功能模塊識別，從而獲得功能模塊組件區(qū)域數(shù)據(jù)，并根據(jù)功能模塊組件區(qū)域數(shù)據(jù)對線路板主體層級整合圖像集進(jìn)行功能模塊區(qū)域劃分，從而獲得線路板層級功能模塊圖像集。[0045]本發(fā)明通過提取歷史線路板的功能模塊結(jié)構(gòu)數(shù)據(jù)，可以構(gòu)建一個(gè)豐富的數(shù)據(jù)集，為后續(xù)分析提供基礎(chǔ)。模塊組件特征提取有助于理解不同模塊的功能和性能，支持優(yōu)化設(shè)計(jì)和故障分析。分析歷史數(shù)據(jù)，可以發(fā)現(xiàn)設(shè)計(jì)中的常見問題，并為新設(shè)計(jì)提供借鑒。整合圖像集將線路板的結(jié)構(gòu)以層級形式展現(xiàn)，方便后續(xù)分析和處理。可視化層級布線結(jié)構(gòu)和組件結(jié)構(gòu)，提升對線路板設(shè)計(jì)的理解，有助于設(shè)計(jì)人員快速識別問題。通過層級整合，可以發(fā)現(xiàn)設(shè)計(jì)中冗余的部分，有助于優(yōu)化布線和組件布局。統(tǒng)計(jì)布線密集度可以幫助評估線路板的布線效率，為優(yōu)化設(shè)計(jì)提供數(shù)據(jù)支持。識別高密集度布線區(qū)域，有助于設(shè)計(jì)人員在設(shè)計(jì)過程中避免布線過于復(fù)雜，降低制造難度。了解布線密集度有助于預(yù)測線路板在高負(fù)荷下的性能，降低故障率。分析組件之間的連通關(guān)系，有助于理解系統(tǒng)的整體功能和交互，提升設(shè)計(jì)的可靠性。通過高連通數(shù)量組件統(tǒng)計(jì)，識別出關(guān)鍵組件，有助于在設(shè)計(jì)中加以關(guān)注，確保其性能。連通關(guān)系分析能夠?yàn)閮?yōu)化組件布局提供依據(jù)，提高電路的整體性能和效率。高占比區(qū)域通常是功能實(shí)現(xiàn)的關(guān)鍵區(qū)域，了解這些區(qū)域可以幫助優(yōu)先考慮它們的設(shè)計(jì)和測試。根據(jù)高連通量組件的占比，可以合理配置資源，確保關(guān)鍵區(qū)域的設(shè)計(jì)和制造質(zhì)量。通過對高連通量組件高占比區(qū)域數(shù)據(jù)與高密集度布線區(qū)域數(shù)據(jù)進(jìn)行交集運(yùn)算，可以得到重要的模塊區(qū)域，便于進(jìn)一步分析。識別出模塊組件區(qū)域，可以更好地評估潛在的設(shè)計(jì)風(fēng)險(xiǎn)，制定相應(yīng)的解決方案。交集結(jié)果有助于設(shè)計(jì)人員在布局時(shí)進(jìn)行針對性的優(yōu)化，減少不必要的復(fù)雜性。對模塊組件區(qū)域的功能模塊識別能夠幫助設(shè)計(jì)人員明確每個(gè)模塊的功能，提高缺陷檢測的準(zhǔn)確性。通過功能模塊區(qū)域劃分，可以確保線路板設(shè)計(jì)在功能上的一致性，有助于后續(xù)的測試和驗(yàn)證，獲得的線路板層級功能模塊圖像集為后續(xù)的缺陷檢測提供了重要依據(jù)，提升了工作效率。11[0047]步驟S31:對線路板層級功能模塊圖像集進(jìn)行層級功能模塊組件布局特征提取，從而獲得層級功能模塊組件布局?jǐn)?shù)據(jù)；[0048]步驟S32:根據(jù)層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行組件傳輸距離估計(jì)，從而獲得模塊組件傳輸距離數(shù)據(jù)，并根據(jù)模塊組件傳輸距離數(shù)據(jù)進(jìn)行模塊相對傳輸距離統(tǒng)計(jì)，從而獲得高相對傳輸距離模塊數(shù)據(jù)以及低相對傳輸距離模塊數(shù)據(jù)；[0049]步驟S33:對層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行模塊組件密集度估計(jì)，從而獲得模塊組件密集度數(shù)據(jù)，并根據(jù)模塊組件密集度數(shù)據(jù)進(jìn)行模塊相對密集度統(tǒng)計(jì)，從而獲得高組件密集度模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)；[0050]步驟S34:對高相對傳輸距離模塊數(shù)據(jù)以及高組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得缺陷功能模塊數(shù)據(jù)；對低相對傳輸距離模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得正常功能模塊數(shù)據(jù)；[0051]步驟S35:對正常功能模塊數(shù)據(jù)以及缺陷功能模塊數(shù)據(jù)進(jìn)行層級空間合并，從而獲得層級功能模塊缺陷數(shù)據(jù)，并根據(jù)層級功能模塊缺陷數(shù)據(jù)對線路板層級功能模塊圖像集進(jìn)行缺陷模塊圖像集提取，從而獲得層級功能模塊缺陷圖像集；[0052]步驟S36:基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)。[0053]本發(fā)明通過對線路板層級功能模塊的圖像進(jìn)行特征提取，可以有效識別各組件的布局及其相互關(guān)系。這為后續(xù)的分析打下基礎(chǔ)。提取的布局?jǐn)?shù)據(jù)便于進(jìn)一步的量化分析，可以為后續(xù)的傳輸距離和密集度評估提供定量依據(jù)。準(zhǔn)確的特征提取有助于降低誤判率，提高后續(xù)步驟的準(zhǔn)確性和可靠性。通過估計(jì)組件之間的傳輸距離，可以識別哪些模塊在功能上更為緊密，哪些模塊可能存在潛在的通信瓶頸。模塊間的相對傳輸距離統(tǒng)計(jì)，可以為設(shè)計(jì)優(yōu)化提供參考，改善系統(tǒng)傳輸效率。高相對傳輸距離模塊數(shù)據(jù)的提取，有助于識別可能存在的缺陷區(qū)域，為后續(xù)的缺陷檢測提供依據(jù)。組件密集度的分析有助于理解電路板的設(shè)計(jì)復(fù)雜性和組件布局的合理性。通過統(tǒng)計(jì)高和低組件密集度的數(shù)據(jù)，可以為線路板的設(shè)計(jì)改進(jìn)提供數(shù)據(jù)支持，減少組件干擾及提升散熱性能。低組件密集度模塊數(shù)據(jù)的分析，有助于識別出可能導(dǎo)致性能問題的設(shè)計(jì)區(qū)域。通過交集運(yùn)算，可以清晰區(qū)分出缺陷模塊與正常模塊，為后續(xù)的故障診斷提供數(shù)據(jù)基礎(chǔ)。高相對傳輸距離且高組件密集度的模塊通常是潛在故障的區(qū)域，通過模塊交集運(yùn)算可以精確鎖定故障來源。有效整合不同數(shù)據(jù)類型，使得缺陷模塊和正常模塊的數(shù)據(jù)更加清晰，便于后續(xù)分析。通過層級空間合并，將缺陷和正常模塊的數(shù)據(jù)進(jìn)行有效整合，為后續(xù)的缺陷分析提供全局視角，針對缺陷模塊的圖像集提取，有助于形成針對性的缺陷識別和分析工具。獲得的層級功能模塊缺陷圖像集為后續(xù)的深度學(xué)習(xí)和圖像識別提供了基礎(chǔ)，能顯著提高自動(dòng)檢測系統(tǒng)的準(zhǔn)確性。通過層次化特征卷積提取，能夠加強(qiáng)對缺陷區(qū)域的辨識能力，提高缺陷檢測的精準(zhǔn)度。層次化特征的提取允許從多個(gè)層次分析缺陷區(qū)域，幫助定位問題并進(jìn)行更深入的故障分析。提取的特征數(shù)據(jù)可以為后續(xù)的智能算法提供支持，進(jìn)一步實(shí)現(xiàn)自動(dòng)化的故障檢測與識別。[0055]步驟S41:對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行特征描述子構(gòu)建，從而獲得缺陷特征描述子；[0056]步驟S42:對缺陷特征描述子進(jìn)行缺陷深度信息推斷，從而獲得缺陷深度信息數(shù)[0057]步驟S43:根據(jù)缺陷深度信息數(shù)據(jù)對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行缺失深度信息補(bǔ)償，從而獲得優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)；[0058]步驟S44:根據(jù)優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域透視變換，從而獲得層級功能模塊實(shí)際缺陷圖像集；[0059]步驟S45:根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)。[0060]本發(fā)明通過對缺陷區(qū)域的圖像進(jìn)行層次化特征提取，可以有效地捕捉到不同尺度和不同類型的缺陷特征。構(gòu)建的特征描述子能夠提高對缺陷特征的穩(wěn)定性，降低外部環(huán)境變化(如光照、角度等)對特征識別的影響。特征描述子的構(gòu)建為后續(xù)的深度信息推斷和缺陷識別提供了必要的基礎(chǔ)數(shù)據(jù)。推斷出的缺陷深度信息為理解缺陷的嚴(yán)重程度提供了關(guān)鍵數(shù)據(jù)，有助于后續(xù)的補(bǔ)償和處理。深度信息可以更精確地定位缺陷的位置和性質(zhì)，便于采取相應(yīng)的修復(fù)或處理措施。通過深度信息，工程師或檢測系統(tǒng)可以更好地判斷缺陷的處理優(yōu)先級，從而優(yōu)化資源配置。通過對缺失的深度信息進(jìn)行補(bǔ)償，可以優(yōu)化缺陷區(qū)域的圖像特征，使得后續(xù)分析更為準(zhǔn)確。補(bǔ)償后獲得的特征數(shù)據(jù)將更完整，提高了后續(xù)缺陷檢測的準(zhǔn)確性和可靠性。優(yōu)化后的數(shù)據(jù)有助于減少由于深度信息不足而引發(fā)的誤報(bào)和漏報(bào)現(xiàn)象。通過透視變換，可以從不同角度觀察缺陷區(qū)域，提高缺陷可視化效果，有助于將缺陷區(qū)域圖像標(biāo)準(zhǔn)化，使得后續(xù)處理和分析更為一致。透視變換后的圖像能夠更方便地進(jìn)行比較，幫助識別不同缺陷的特征和模式。通過對實(shí)際缺陷圖像集進(jìn)行模式識別，可以實(shí)現(xiàn)自動(dòng)化和智能化的缺陷檢測，降低人工干預(yù)的需要?？焖佟?zhǔn)確的缺陷模式識別能夠提升整個(gè)檢測流程的效率，從而加快生產(chǎn)線的節(jié)奏。識別出的線路板缺陷模式數(shù)據(jù)為質(zhì)量控制和改進(jìn)提供了重要依據(jù)，能夠幫助企業(yè)制定更為有效的改進(jìn)措施。[0062]步驟S421:對缺陷特征描述子進(jìn)行主成分降維，從而獲得主成分缺陷特征描述子；[0063]步驟S422:對主成分缺陷特征描述子進(jìn)行布局缺陷描述子特征選擇，從而獲得布局缺陷特征描述子；[0064]步驟S423:對層級功能模塊缺陷圖像集進(jìn)行圖像紋理連貫性評估，從而獲得圖像紋理連貫性數(shù)據(jù)，并根據(jù)圖像紋理連貫性數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行深度信息缺失區(qū)域聚類，從而獲得深度信息缺失圖像；[0065]步驟S424:對布局缺陷特征描述子以及深度信息缺失圖像進(jìn)行缺陷深度信息關(guān)聯(lián)，從而獲得缺陷-深度關(guān)聯(lián)數(shù)據(jù)；[0066]步驟S425:基于歷史線路板布局缺陷圖像集以及缺陷-深度關(guān)聯(lián)數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)深度推斷模型構(gòu)建，從而獲得布局缺陷深度推斷模型；[0067]步驟S426:通過布局缺陷深度推斷模型對缺陷特征描述子進(jìn)行布局缺陷深度信息推斷，從而獲得缺陷深度信息數(shù)據(jù)。[0068]本發(fā)明通過對缺陷特征描述子的主成分降維，可以將高維數(shù)據(jù)簡化為低維空間中的主要成分。這種降維不僅有助于消除冗余特征，還能提高后續(xù)分析的計(jì)算效率，降低模型的復(fù)雜度。結(jié)果是獲得主成分缺陷特征描述子，這些描述子保留了最重要的信息，有助于更準(zhǔn)確地進(jìn)行缺陷分類和識別。對主成分缺陷特征描述子進(jìn)行布局缺陷描述子特征選擇，可以進(jìn)一步優(yōu)化特征集，確保只有與布局缺陷相關(guān)的特征被保留，這一過程減少了噪聲，增強(qiáng)了模型的泛化能力，有助于提高檢測準(zhǔn)確率。最終得到的布局缺陷特征描述子更加集中于與實(shí)際缺陷特征相關(guān)的信息。通過對層級功能模塊缺陷圖像集進(jìn)行圖像紋理連貫性評估，能夠定量分析圖像的紋理特征，這一評估有助于識別圖像中深度信息缺失的區(qū)域，為后續(xù)的缺陷分析提供依據(jù)。通過聚類分析，獲取的深度信息缺失圖像為后續(xù)處理提供了明確的目標(biāo)，有助于集中資源進(jìn)行缺陷修復(fù)或改進(jìn)。在布局缺陷特征描述子和深度信息缺失圖像之間進(jìn)行缺陷-深度信息關(guān)聯(lián)，有助于建立更加全面的缺陷描述體系，使得缺陷特征與其在深度信息上的表現(xiàn)相結(jié)合，有利于更好地理解缺陷的性質(zhì)和影響，從而為后續(xù)的改進(jìn)措施提供指導(dǎo)?；跉v史線路板布局缺陷圖像集以及缺陷-深度關(guān)聯(lián)數(shù)據(jù)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(CNN)深度推斷模型，是實(shí)現(xiàn)自動(dòng)化檢測的重要一步。此模型能夠通過學(xué)習(xí)歷史數(shù)據(jù)中的模式，進(jìn)行高效的缺陷檢測與分類，從而提高整體檢測效率和準(zhǔn)確性。此外，深度推斷模型能夠自我優(yōu)化，通過迭代學(xué)習(xí)不斷提高性能。通過布局缺陷深度推斷模型對缺陷特征描述子進(jìn)行深度信息推斷，最終獲得缺陷深度信息數(shù)據(jù)，這一過程使得對缺陷的定量分析成為可能，為后續(xù)的決策提供數(shù)據(jù)支持，有助于優(yōu)化生產(chǎn)過程，減少缺陷率。深度信息數(shù)據(jù)可以直接應(yīng)用于生產(chǎn)監(jiān)控、質(zhì)量控制及缺陷修復(fù)策略的制定。[0069]可選地，本說明書還提供一種印刷線路板缺陷識別的深度學(xué)習(xí)系統(tǒng)，用于執(zhí)行如上所述的印刷線路板缺陷識別的深度學(xué)習(xí)方法，該印刷線路板缺陷識別的深度學(xué)習(xí)系統(tǒng)包[0070]圖像質(zhì)量增強(qiáng)模塊，用于獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行線路板背景清理，從而獲得線路板主體圖像集；對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集；[0071]功能模塊識別模塊，用于對線路板主體增強(qiáng)圖像集進(jìn)行線路板多層主體層級整合，從而獲得線路板主體層級整合圖像集，并對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集；[0072]功能模塊缺陷檢測模塊，用于基于線路板層級功能模塊圖像集進(jìn)行層級功能模塊缺陷檢測，從而獲得層級功能模塊缺陷圖像集，并基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)；[0073]深度信息缺失校正模塊，用于基于缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行線路板深度信息缺失校正，從而獲得層級功能模塊實(shí)際缺陷圖像集；根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)；[0074]線路板缺陷識別模塊，用于基于線路板缺陷模式數(shù)據(jù)進(jìn)行缺陷模式特征提取，從而獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行深度學(xué)習(xí)分類器構(gòu)建，從而獲得印刷線路板缺陷識別模型。[0075]本發(fā)明的印刷線路板缺陷識別的深度學(xué)習(xí)系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)本發(fā)明任意一種印刷線路板缺陷識別的深度學(xué)習(xí)方法，用于聯(lián)合各個(gè)模塊之間的操作與信號傳輸?shù)拿浇?，以完成印刷線路板缺陷識別的深度學(xué)習(xí)方法，系統(tǒng)內(nèi)部模塊互相協(xié)作，從而提高缺陷識別的效率。附圖說明[0076]通過閱讀參照以下附圖所作的對非限制性實(shí)施所作的詳細(xì)描述，本發(fā)明的其它特[0077]圖1為本發(fā)明印刷線路板缺陷識別的深度學(xué)習(xí)方法的步驟流程示意圖；[0078]圖2為本發(fā)明中步驟S1的詳細(xì)步驟流程示意圖；[0079]圖3為本發(fā)明中步驟S2的詳細(xì)步驟流程示意圖；[0080]本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說明。具體實(shí)施方式[0081]下面結(jié)合附圖對本發(fā)明的技術(shù)方法進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域所屬的技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范[0082]此外，附圖僅為本發(fā)明的示意性圖解，并非一定是按比例繪制。圖中相同的附圖標(biāo)記表示相同或類似的部分，因而將省略對它們的重復(fù)描述。附圖中所示的一些方框圖是功能實(shí)體，不一定必須與物理或邏輯上獨(dú)立的實(shí)體相對應(yīng)?？梢圆捎密浖问絹韺?shí)現(xiàn)功能實(shí)體，或在一個(gè)或多個(gè)硬件模塊或集成電路中實(shí)現(xiàn)這些功能實(shí)體，或在不同網(wǎng)絡(luò)和/或處理器方法和/或微控制器方法中實(shí)現(xiàn)這些功能實(shí)體。但是這些單元不應(yīng)當(dāng)受這些術(shù)語限制。使用這些術(shù)語僅僅是為了將一個(gè)單元與另一個(gè)單元進(jìn)行區(qū)分。舉例來說，在不背離示例性實(shí)施例的范圍的情況下，第一單元可以被稱為第二單元，并且類似地第二單元可以被稱為第一單元。這里所使用的術(shù)語更多所列出的相關(guān)聯(lián)項(xiàng)目的任意和所有組合。[0084]為實(shí)現(xiàn)上述目的，請參閱圖1至圖3,本發(fā)明提供了一種印刷線路板缺陷識別的深[0085]步驟S1:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行線路板背景清理，從而獲得線路板主體圖像集；對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集；[0086]本實(shí)施例中，在獲取印刷線路板原始圖像集的過程中，可以使用高分辨率相機(jī)拍攝線路板圖像，確保捕捉到的細(xì)節(jié)豐富。接下來，通過圖像處理技術(shù)如圖像濾波和邊緣檢著，應(yīng)用圖像增強(qiáng)算法，例如直方圖均衡化和局部對比度增強(qiáng)，提升線路板主體的可視化質(zhì)量，使得線路板的元器件等細(xì)節(jié)更清晰可見。這一步驟的目標(biāo)是將處理后的線路板主體圖像用于后續(xù)的分析。[0087]步驟S2:對線路板主體增強(qiáng)圖像集進(jìn)行線路板多層主體層級整合，從而獲得線路板主體層級整合圖像集，并對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集；[0088]本實(shí)施例中，對于線路板主體增強(qiáng)圖像集，通過構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)(CNN),實(shí)現(xiàn)多層主體的層級整合，以更好地提取線路板不同功能模塊之間的關(guān)系。這個(gè)整合過程可以采用特定的層級結(jié)構(gòu)，比如使用特征圖融合算法，合并不同卷積層輸出的特征，形成一個(gè)更為集中的層級特征集。在功能模塊識別階段，利用已標(biāo)注的圖像進(jìn)行訓(xùn)練，使模型能夠識別出線路板上的各種功能模塊，并輸出包含模塊標(biāo)簽的圖像集，通過增加不同模塊的樣本數(shù)據(jù)來提升模型準(zhǔn)確率。[0089]步驟S3:基于線路板層級功能模塊圖像集進(jìn)行層級功能模塊缺陷檢測，從而獲得層級功能模塊缺陷圖像集，并基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)；[0090]本實(shí)施例中，基于線路板層級功能模塊圖像集，可以利用計(jì)算機(jī)視覺中的缺陷檢測算法(如YOLO或FasterR-CNN)進(jìn)行層級功能模塊的缺陷檢測，檢測到的缺陷會(huì)聚集成層級功能模塊缺陷圖像集。之后，在缺陷區(qū)域圖像中使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取多層次特征，這可以通過構(gòu)建特定層級的卷積結(jié)構(gòu)實(shí)現(xiàn)，以提取局部及全局特征，形成缺陷區(qū)域圖像的層次化特征數(shù)據(jù)，進(jìn)一步增強(qiáng)檢測精度。[0091]步驟S4:基于缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行線路板深度信息缺失校正，從而獲得層級功能模塊實(shí)際缺陷圖像集；根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)；[0092]本實(shí)施例中，使用層次化特征數(shù)據(jù)執(zhí)行線路板深度信息缺失校正，可以采用主成分分析(PCA)或自編碼器技術(shù)，通過學(xué)習(xí)未缺失數(shù)據(jù)特征，對缺失部分進(jìn)行補(bǔ)全。校正后的數(shù)據(jù)形成層級功能模塊實(shí)際缺陷圖像集，然后應(yīng)用邊緣檢測和輪廓分析技術(shù)，對缺陷模式進(jìn)行分類和標(biāo)記，最終輸出線路板缺陷模式數(shù)據(jù)，以便針對不同類型缺陷設(shè)計(jì)特定的修復(fù)方案。[0093]步驟S5:基于線路板缺陷模式數(shù)據(jù)進(jìn)行缺陷模式特征提取，從而獲得缺陷模式特征向量集，并根據(jù)缺陷模式特征向量集進(jìn)行深度學(xué)習(xí)分類器構(gòu)建，從而獲得印刷線路板缺陷識別模型。[0094]本實(shí)施例中，在缺陷模式特征提取過程中，應(yīng)用深度學(xué)習(xí)算法生成缺陷模式特征向量集，通過卷積神經(jīng)網(wǎng)絡(luò)或長短期記憶網(wǎng)絡(luò)(LSTM)對提取特征進(jìn)行學(xué)習(xí)。通過訓(xùn)練，構(gòu)建深度學(xué)習(xí)分類器，此模型可以識別線路板中不同的缺陷類型，今后對新圖像進(jìn)行推斷時(shí)，可以使用該模型進(jìn)行實(shí)時(shí)缺陷檢測和分類。最終，可以將分類器部署于線路板生產(chǎn)線，實(shí)現(xiàn)自動(dòng)缺陷檢測，以提高生產(chǎn)效率和產(chǎn)品質(zhì)量。[0096]步驟S11:獲取印刷線路板原始圖像集，并對印刷線路板原始圖像集進(jìn)行灰度圖像[0097]本實(shí)施例中，使用高分辨率相機(jī)拍攝印刷線路板的多個(gè)視角，確保圖像清晰度達(dá)到600DPI以上，以捕獲線路板的細(xì)節(jié)?；叶然幚磙D(zhuǎn)換為灰度圖像，使用公式Y(jié)=0.299R+0.587G+0.114*B來計(jì)算每個(gè)像素的亮度值。最終輸出的灰度線路板圖像集將包括所有轉(zhuǎn)換后的灰度圖像，供后續(xù)步驟使用。[0098]步驟S12:對灰度線路板圖像集進(jìn)行像素灰度值統(tǒng)計(jì)，從而獲得圖像像素灰度值數(shù)據(jù)，并根據(jù)圖像像素灰度值數(shù)據(jù)進(jìn)行低頻灰度值統(tǒng)計(jì)，從而獲得低頻像素灰度值數(shù)據(jù)；[0099]本實(shí)施例中，對每幅灰度圖像進(jìn)行統(tǒng)計(jì)分析。使用Python編程語言和NumPy庫讀取灰度圖像數(shù)據(jù)，計(jì)算每個(gè)灰度值(0-255)的像素?cái)?shù)量。還需根據(jù)得到的灰度值histogram進(jìn)行篩選，統(tǒng)計(jì)低頻灰度值(例如，低于128的灰度值),并生成相應(yīng)的數(shù)據(jù)集，以便后續(xù)處理。這樣的統(tǒng)計(jì)可以幫助識別圖像中的暗區(qū)域或低對比度區(qū)域，并為后續(xù)灰度處理提供依[0100]步驟S13:根據(jù)低頻像素灰度值數(shù)據(jù)對灰度線路板圖像集進(jìn)行低頻像素灰度值區(qū)域圖像清理，從而獲得線路板前景圖像集；[0101]本實(shí)施例中，依據(jù)獲得的低頻灰度值數(shù)據(jù)，通過圖像閾值化技術(shù)，以確定低頻灰度區(qū)域。具體采用Otsu算法自動(dòng)計(jì)算一個(gè)合適的閾值，并將低頻區(qū)域的像素設(shè)為背景，進(jìn)而實(shí)現(xiàn)圖像的清理。處理后，得到的線路板前景圖像集將僅包含高頻信息部分，去除了噪聲和背[0102]步驟S14:對線路板前景圖像集進(jìn)行形態(tài)學(xué)邊緣平滑，從而獲得線路板主體圖像[0103]本實(shí)施例中，應(yīng)用形態(tài)學(xué)方法對前景圖像進(jìn)行處理。具體采用膨脹和腐蝕操作，使用3x3的結(jié)構(gòu)元素來平滑邊緣。首先，通過腐蝕操作去掉前景圖像中小的噪音點(diǎn)，然后緊接著應(yīng)用膨脹操作恢復(fù)物體邊界，去除細(xì)小的斷裂。最終輸出的線路板主體圖像集將呈現(xiàn)較為清晰的邊緣，有利于后續(xù)的質(zhì)量增強(qiáng)處理。[0104]步驟S15:對線路板主體圖像集進(jìn)行線路板圖像質(zhì)量增強(qiáng)，從而獲得線路板主體增強(qiáng)圖像集。[0105]本實(shí)施例中，采用圖像增強(qiáng)技術(shù)提高線路板主體圖像的視覺效果。具體使用直方圖均衡化處理，增強(qiáng)圖像對比度，同時(shí)結(jié)合銳化濾波器(如拉普拉斯濾波器)進(jìn)一步提高邊路板主體增強(qiáng)圖像集具有更高的視效質(zhì)量，適合用作進(jìn)一步分析或生產(chǎn)檢測。[0107]步驟S151:對線路板主體圖像集進(jìn)行RGB圖像格式轉(zhuǎn)換，從而獲得線路板主體轉(zhuǎn)換圖像集，并對線路板主體轉(zhuǎn)換圖像集進(jìn)行顏色通道分離，從而獲得顏色通道分離圖像集；[0108]本實(shí)施例中，將原始線路板主體圖像集從灰度格式轉(zhuǎn)換為RGB格式，這意味著將每個(gè)圖像的顏色模式調(diào)整為紅、綠、藍(lán)三個(gè)通道?？梢允褂肙penCV或PIL庫通過調(diào)用相應(yīng)的函數(shù)實(shí)現(xiàn)圖像格式轉(zhuǎn)換。還需考慮圖像的分辨率和尺寸，以確保轉(zhuǎn)換后的圖像保持高質(zhì)量。完成后，進(jìn)行顏色通道分離，可以使用NumPy數(shù)組將每個(gè)圖像拆分為三個(gè)單獨(dú)的通道，分別提[0109]步驟S152:對顏色通道分離圖像集進(jìn)行全通道自適應(yīng)直方圖均衡化，從而獲得增強(qiáng)顏色通道分離圖像集；[0110]本實(shí)施例中，對獲得的顏色通道分離圖像集進(jìn)行全通道自適應(yīng)直方圖均衡化(CLAHE)。此技術(shù)可以增強(qiáng)圖像的對比度，特別是在低對比度區(qū)域。通過CLAHE函數(shù)，可以對每個(gè)分離的顏色通道進(jìn)行局部直方圖均衡化，參數(shù)設(shè)置上可考慮每個(gè)小塊的大小(例如8x8或16x16像素),以及對比度限制，以防止過度增強(qiáng)。操作完成后，將獲得每個(gè)通道在視覺效果上都更明顯的圖像集。[0111]步驟S153:對增強(qiáng)顏色通道分離圖像集進(jìn)行顏色通道合并，從而獲得線路板增強(qiáng)圖像集；[0112]本實(shí)施例中，經(jīng)過處理后的增強(qiáng)顏色通道分離圖像集接下來要進(jìn)行顏色通道合并?？梢允褂肙penCV或者PIL的圖像操作函數(shù).將增強(qiáng)后的紅、綠、藍(lán)通道重新組合成一個(gè)新的彩色圖像。在此過程中需確保通道順序的一致性，以避免顏色出現(xiàn)偏差。最終得到的線路板增強(qiáng)圖像集應(yīng)當(dāng)在整體視覺效果上比原始圖像更加清晰和具有層次感。[0113]步驟S154:根據(jù)線路板增強(qiáng)圖像集進(jìn)行線路板結(jié)構(gòu)特征增強(qiáng)，從而獲得線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集；[0114]本實(shí)施例中，根據(jù)線路板增強(qiáng)圖像集進(jìn)行線路板結(jié)構(gòu)特征增強(qiáng)。可以應(yīng)用邊緣檢測算法(例如Canny或者Sobel算子)來提取板件和組件的邊緣信息。此外，還可以施加形態(tài)學(xué)操作(如膨脹和腐蝕),以更好地突出結(jié)構(gòu)特征。通過分析圖像中的特征，生成兩組增強(qiáng)調(diào)色板件和組件特征的新圖像集，這一過程可以通過自定義函數(shù)來實(shí)現(xiàn)，并利用特定參數(shù)調(diào)整算法的敏感度。[0115]步驟S155:對線路板板件增強(qiáng)圖像集以及線路板組件增強(qiáng)圖像集進(jìn)行線路板圖像空間合并，從而獲得線路板主體增強(qiáng)圖像集。[0116]本實(shí)施例中，對線路板板件增強(qiáng)圖像集與線路板組件增強(qiáng)圖像集進(jìn)行線路板圖像空間合并。通過將兩個(gè)增強(qiáng)圖像集進(jìn)行像素級別的合并，例如使用加權(quán)平均或最大化方法，可以更好地保留有用的信息。合并后得到的線路板主體增強(qiáng)圖像集將綜合前面的所有增強(qiáng)處理結(jié)果，生成一個(gè)在細(xì)節(jié)和結(jié)構(gòu)上更加完備的圖像?？梢酝ㄟ^可視化工具對最終的增強(qiáng)效果進(jìn)行評估，并根據(jù)需要進(jìn)一步調(diào)整合并策略。[0118]步驟S1541:根據(jù)線路板增強(qiáng)圖像集進(jìn)行圖像像素值統(tǒng)計(jì)，從而獲得高頻圖像像素值數(shù)據(jù)以及低頻圖像像素值數(shù)據(jù)；[0119]本實(shí)施例中，通過采集和分析線路板增強(qiáng)圖像集中的所有圖像數(shù)據(jù)，首先需要對圖像進(jìn)行預(yù)處理，如去噪聲、標(biāo)準(zhǔn)化等，以提升后續(xù)像素值統(tǒng)計(jì)的準(zhǔn)確性。利用圖像處理算法(如直方圖分析),統(tǒng)計(jì)各個(gè)像素的亮度和顏色分布，尤其是高頻和低頻像素值數(shù)據(jù)。高頻像素值通常代表圖像中的細(xì)節(jié)部分(如線路和焊點(diǎn)),而低頻像素值則主要代表大型平面區(qū)域(如PCB基板的背景)。為相應(yīng)分離這兩種信息，可以設(shè)定閾值，例如將高頻像素值定義為大于某一亮度值的像素，而低頻像素值為小于該值的像素。最終結(jié)果是高頻圖像像素值數(shù)據(jù)和低頻圖像像素值數(shù)據(jù)的統(tǒng)計(jì)結(jié)果，用于后續(xù)的區(qū)域劃分。[0120]步驟S1542:根據(jù)高頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行高頻圖像像素值區(qū)域圖像劃分，從而獲得板件區(qū)域圖像集；根據(jù)低頻圖像像素值數(shù)據(jù)對線路板增強(qiáng)圖像集進(jìn)行低頻圖像像素值區(qū)域圖像劃分，從而獲得組件區(qū)域圖像集；[0121]本實(shí)施例中，利用已獲得的高頻圖像像素值數(shù)據(jù)，對線路板增強(qiáng)圖像集進(jìn)行區(qū)域劃分。通過設(shè)定高頻區(qū)域的閾值，將圖像中主要包含高頻細(xì)節(jié)的部分提取出來，形成板件區(qū)域圖像集。這可以通過輪廓檢測算法(如Canny邊緣檢測)來實(shí)現(xiàn)，確保提取的區(qū)域具有良好的邊界定義。同樣，根據(jù)低頻圖像像素值數(shù)據(jù)，使用平滑濾波技術(shù)(如均值濾波或高斯濾波)來識別和提取組件區(qū)域，得到組件區(qū)域圖像集。對于每個(gè)區(qū)域圖像集，采用區(qū)域增長法來進(jìn)一步優(yōu)化區(qū)域輪廓的連通性，從而確保區(qū)域劃分的準(zhǔn)確性和完整性，為后續(xù)增強(qiáng)處理做準(zhǔn)[0122]步驟S1543:對板件區(qū)域圖像集進(jìn)行板件結(jié)構(gòu)細(xì)節(jié)銳化濾波處理，從而獲得線路板板件增強(qiáng)圖像集；對組件區(qū)域圖像集進(jìn)行組件結(jié)構(gòu)細(xì)節(jié)平滑輪廓增強(qiáng)，從而獲得線路板組件增強(qiáng)圖像集。Masking或Laplacian濾波)來增強(qiáng)線路板的結(jié)構(gòu)細(xì)節(jié)。此過程通過對輸入圖像進(jìn)行兩次模糊處理并相減，以突出細(xì)節(jié)部分。該操作的關(guān)鍵參數(shù)(如銳化程度)根據(jù)具體線路板的特點(diǎn)進(jìn)行調(diào)節(jié)，以防過度銳化導(dǎo)致細(xì)節(jié)失真。同時(shí)，對于組件區(qū)域圖像集，應(yīng)用平滑輪廓增強(qiáng)技術(shù)，例如形態(tài)學(xué)閉合處理，來消除噪聲并平滑組件邊緣。通過細(xì)致調(diào)節(jié)結(jié)構(gòu)元素的大小和形狀，可以確保增強(qiáng)后的圖像在保持原有形狀特征的同時(shí)，視覺效果明顯提升。最后，生成的兩個(gè)增強(qiáng)圖像集將用于后續(xù)的分析和檢測，提升線路板故障診斷的準(zhǔn)確性和效率。[0124]可選地，步驟S2具體為：[0125]步驟S21:對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)相似度計(jì)算，從而獲得線路板主體結(jié)構(gòu)相似度數(shù)據(jù)；[0126]本實(shí)施例中，首先需要對線路板主體增強(qiáng)圖像集進(jìn)行處理。可以使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型提取每張圖像的特征向量。采用余弦相似度計(jì)算或歐氏距離等方法來量化圖像之間的結(jié)構(gòu)相似度。例如，利用預(yù)訓(xùn)練的ResNet網(wǎng)絡(luò)對線路板圖像進(jìn)行特征提取，得到128維的特征向量，隨后計(jì)算任意兩張圖像之間的相似度，生成相似度矩陣。[0127]步驟S22:根據(jù)線路板主體結(jié)構(gòu)相似度數(shù)據(jù)對線路板主體增強(qiáng)圖像集進(jìn)行線路板主體結(jié)構(gòu)聚類，從而獲得線路板主體結(jié)構(gòu)聚類圖像集；[0128]本實(shí)施例中，根據(jù)獲得的相似度數(shù)據(jù)，采用聚類算法(如K-means、DBSCAN或?qū)哟尉垲?對線路板主體結(jié)構(gòu)進(jìn)行分組。選擇適當(dāng)?shù)木垲悢?shù)(k值),如基于肘部法則確定k=5,然后將線路板圖像按相似度分為5個(gè)聚類。每個(gè)聚類中包含結(jié)構(gòu)相似的線路板圖像，可以通過可視化(如t-SNE)展示聚類結(jié)果。[0129]步驟S23:對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行聚類結(jié)構(gòu)模式識別，從而獲得聚類結(jié)構(gòu)模式數(shù)據(jù)，并根據(jù)聚類結(jié)構(gòu)模式數(shù)據(jù)進(jìn)行線路板結(jié)構(gòu)層級定義，從而獲得聚類結(jié)構(gòu)層級數(shù)據(jù)；[0130]本實(shí)施例中，對聚類后的圖像進(jìn)行模式識別，采用行列檢測、形狀分析等技術(shù)，識別不同的聚類結(jié)構(gòu)模式。可引入模式識別算法，如HOG(方向梯度直方圖)特征提取和支持向量機(jī)(SVM)的分類方法，定義出的模式可以是“分層型”、“交錯(cuò)型”等，為每種模的結(jié)構(gòu)層級。例如，識別到的“分層型”線路板可以被定義為從高到低共有三層結(jié)構(gòu)。[0131]步驟S24:根據(jù)聚類結(jié)構(gòu)層級數(shù)據(jù)對線路板主體結(jié)構(gòu)聚類圖像集進(jìn)行多層線路板層級圖像整合，從而獲得線路板主體層級整合圖像集；[0132]本實(shí)施例中，基于得到的聚類結(jié)構(gòu)層級數(shù)據(jù)，進(jìn)行圖像整合。通過圖像拼接技術(shù)，將同一層級的線路板圖像進(jìn)行合成，生成一個(gè)多層次的線路板圖像集?？墒褂肙penCV庫中的圖像拼接功能，設(shè)置融合參數(shù)，如透明度，確保不同層次之間的連接自然流暢。例如，將歸類到“常見”層級的線路板圖像進(jìn)行合并，形成包含該層級所有特征的整合圖。[0133]步驟S25:對線路板主體層級整合圖像集進(jìn)行線路板功能模塊識別，從而獲得線路板層級功能模塊圖像集。[0134]本實(shí)施例中，在完成線路板主體層級整合圖像集后，進(jìn)行功能模塊的識別?？墒褂镁矸e神經(jīng)網(wǎng)絡(luò)的分類功能，對整合后的圖像進(jìn)行功能性分析，以檢測出電源模塊、信號模塊等功能節(jié)點(diǎn)。例如，訓(xùn)練一個(gè)深度學(xué)習(xí)模型來識別電源、放大器等模塊，最終生成一個(gè)層級功能模塊圖像集，標(biāo)注出每個(gè)識別到的模塊及其位置，形成可視化的功能布局圖。[0136]步驟S251:獲取歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)，并對歷史線路板功能模塊結(jié)構(gòu)數(shù)據(jù)進(jìn)行模塊組件特征提取，從而獲得功能模塊組件特征數(shù)據(jù)；[0137]本實(shí)施例中，利用計(jì)算機(jī)視覺算法從已存儲(chǔ)且已定義的線路板圖像中提取功能模塊結(jié)構(gòu)數(shù)據(jù)。通過深度學(xué)習(xí)模型，對每個(gè)模塊的形狀、尺寸及連接點(diǎn)進(jìn)行特征提取，利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)識別模塊組件的特征，形成一個(gè)包含組件特征的數(shù)據(jù)庫，例如保存每個(gè)模[0138]步驟S252:對線路板主體層級整合圖像集進(jìn)行層級線路板結(jié)構(gòu)整合，從而獲得層級布線結(jié)構(gòu)數(shù)據(jù)以及層級組件結(jié)構(gòu)數(shù)據(jù)；[0139]本實(shí)施例中，使用圖像處理技術(shù)，如邊緣檢測和圖像分割，對線路板主體的層級結(jié)構(gòu)進(jìn)行整合。將不同層級的組件進(jìn)行組合，通過生成圖像金字塔來提升不同分辨率下的結(jié)構(gòu)識別精度，并生成層級布線結(jié)構(gòu)的數(shù)據(jù)集，記錄各層級的布線及組件信息。[0140]步驟S253:根據(jù)層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行布線密集度統(tǒng)計(jì)，從而獲得層級布線密集度數(shù)據(jù)，并根據(jù)層級布線密集度數(shù)據(jù)對層級布線結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級密集布線區(qū)域劃分，從而獲得高密集度布線區(qū)域數(shù)據(jù)；[0141]本實(shí)施例中，根據(jù)整合后的層級布線結(jié)構(gòu)，使用點(diǎn)密度統(tǒng)計(jì)方法計(jì)算每個(gè)區(qū)域的輸入聚類算法，劃分出高密集度布線區(qū)域，比如將布線密度高于設(shè)定閾值的區(qū)域標(biāo)記為高密集度區(qū)域。[0142]步驟S254:根據(jù)層級組件結(jié)構(gòu)數(shù)據(jù)進(jìn)行層級組件連通關(guān)系分析，從而獲得層級組件連通數(shù)據(jù)，并根據(jù)層級組件連通數(shù)據(jù)進(jìn)行高連通數(shù)量組件統(tǒng)計(jì)，從而獲得高連通量組件[0143]本實(shí)施例中，采用圖論中的連通性算法，對組件之間的連接關(guān)系進(jìn)行分析。構(gòu)建組件間連通圖，統(tǒng)計(jì)每個(gè)組件的連通點(diǎn)數(shù)量，并識別出連通數(shù)量超過某一值的組件，如那些與其他五個(gè)或以上組件有連接的。這樣形成一個(gè)高連通量組件列表，可為后續(xù)分析提供數(shù)據(jù)[0144]步驟S255:根據(jù)高連通量組件數(shù)據(jù)進(jìn)行區(qū)域高連通量組件占比統(tǒng)計(jì)，從而獲得高連通量組件高占比區(qū)域數(shù)據(jù)；[0145]本實(shí)施例中，利用統(tǒng)計(jì)學(xué)方法對高連通量組件進(jìn)行占比分析，首先計(jì)算高連通量組件在整個(gè)組件中的比例。假設(shè)在100個(gè)組件中，有20個(gè)是高連通量組件，那么其占比為20%。該數(shù)據(jù)將用于評估特定區(qū)域?qū)€路板整體性能的影響。[0146]步驟S256:對高連通量組件高占比區(qū)域數(shù)據(jù)以及高密集度布線區(qū)域數(shù)據(jù)進(jìn)行區(qū)域交集運(yùn)算，從而獲得模塊組件區(qū)域數(shù)據(jù)；[0147]本實(shí)施例中，通過空間數(shù)據(jù)分析技術(shù)，對高連通量組件高占比區(qū)域與高密集度布線區(qū)域進(jìn)行交集運(yùn)算。使用GIS(地理信息系統(tǒng))軟件，創(chuàng)建包含兩者重疊部分的區(qū)域圖，識別哪一部分組件和布線密集度最高，形成模塊組件區(qū)域的數(shù)據(jù)圖層。[0148]步驟S257:根據(jù)功能模塊組件特征數(shù)據(jù)對模塊組件區(qū)域數(shù)據(jù)進(jìn)行功能模塊識別，從而獲得功能模塊組件區(qū)域數(shù)據(jù)，并根據(jù)功能模塊組件區(qū)域數(shù)據(jù)對線路板主體層級整合圖像集進(jìn)行功能模塊區(qū)域劃分，從而獲得線路板層級功能模塊圖像集。[0149]本實(shí)施例中，通過機(jī)器學(xué)習(xí)算法，結(jié)合功能模塊組件特征數(shù)據(jù)，對交集區(qū)域進(jìn)行分析，識別特定功能模塊。例如，根據(jù)已定義的功能模塊特征，并且利用分類算法識別出某一特定形狀的區(qū)域?yàn)殡娫茨K，并實(shí)現(xiàn)自動(dòng)標(biāo)注。隨后，在原始線路板圖像上進(jìn)行標(biāo)注，生成新的功能模塊區(qū)域圖像集，為線路板設(shè)計(jì)提供依據(jù)。[0151]步驟S31:對線路板層級功能模塊圖像集進(jìn)行層級功能模塊組件布局特征提取，從而獲得層級功能模塊組件布局?jǐn)?shù)據(jù)；[0152]本實(shí)施例中，利用圖像處理算法對線路板的圖像集進(jìn)行處理，提取出每個(gè)功能模塊的布局特征。可以采用邊緣檢測和區(qū)域分割技術(shù)，通過使用Canny算法來識別圖像中的邊緣，再結(jié)合圖像輪廓提取技術(shù)，獲得各模塊的形狀信息。接下來，使用機(jī)器學(xué)習(xí)模型(如卷積神經(jīng)網(wǎng)絡(luò))來分類和識別這些模塊，進(jìn)而形成包含模塊尺寸、位置、形例來說，若在某個(gè)電路板中檢測到一組間距為2mm的電阻模塊，系統(tǒng)將記錄其位置坐標(biāo)(x,y)及其大小特征。也可以將已經(jīng)定義的線路板層級功能模塊圖像集中包含的層級功能模塊[0153]步驟S32:根據(jù)層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行組件傳輸距離估計(jì)，從而獲得模塊組件傳輸距離數(shù)據(jù)，并根據(jù)模塊組件傳輸距離數(shù)據(jù)進(jìn)行模塊相對傳輸距離統(tǒng)計(jì)，從而獲得高相對傳輸距離模塊數(shù)據(jù)以及低相對傳輸距離模塊數(shù)據(jù)；[0154]本實(shí)施例中，根據(jù)獲得的模塊布局?jǐn)?shù)據(jù)，接下來計(jì)算各模塊間的傳輸距離。具體可以利用幾何距離公式(如歐幾里得距離)對每一對模塊進(jìn)行計(jì)算，以評估相對傳輸距離。例如，如果模塊A在位置(10,15)而模塊B在(30,35),則可以計(jì)算出兩者間的傳輸距離為相對傳輸距離(>5mm)和低相對傳輸距離(≤5mm)的模塊，形成相應(yīng)的數(shù)據(jù)集。[0155]步驟S33:對層級功能模塊組件布局?jǐn)?shù)據(jù)進(jìn)行模塊組件密集度估計(jì)，從而獲得模塊組件密集度數(shù)據(jù)，并根據(jù)模塊組件密集度數(shù)據(jù)進(jìn)行模塊相對密集度統(tǒng)計(jì)，從而獲得高組件密集度模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)；[0156]本實(shí)施例中，對提取的布局?jǐn)?shù)據(jù)進(jìn)行模塊組件密集度估計(jì)?？梢酝ㄟ^計(jì)算單位面積內(nèi)模塊數(shù)量來確定密集度，例如在某一區(qū)域內(nèi)，若有10個(gè)模塊分布在1平方厘米內(nèi)，則密集度為10個(gè)/cm2。然后，將密集度數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，設(shè)置高密集度(>15個(gè)/cm2)和低密集度(≤[0157]步驟S34:對高相對傳輸距離模塊數(shù)據(jù)以及高組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得缺陷功能模塊數(shù)據(jù)；對低相對傳輸距離模塊數(shù)據(jù)以及低組件密集度模塊數(shù)據(jù)進(jìn)行模塊交集運(yùn)算，從而獲得正常功能模塊數(shù)據(jù)；[0158]本實(shí)施例中，利用高相對傳輸距離模塊和高組件密集度模塊的數(shù)據(jù)進(jìn)行交集運(yùn)算，以識別潛在缺陷功能模塊?？梢酝ㄟ^集合運(yùn)算(如Python中的set操作)實(shí)現(xiàn)，例如將高相對傳輸距離的模塊ID與高組件密集度的模塊ID進(jìn)行交集操作。與此同時(shí)，對低相對傳輸距離模塊與低組件密集度模塊同樣進(jìn)行交集運(yùn)算，識別正常功能模塊。此過程的結(jié)果為缺陷和正常模塊的具體列表。[0159]步驟S35:對正常功能模塊數(shù)據(jù)以及缺陷功能模塊數(shù)據(jù)進(jìn)行層級空間合并，從而獲得層級功能模塊缺陷數(shù)據(jù)，并根據(jù)層級功能模塊缺陷數(shù)據(jù)對線路板層級功能模塊圖像集進(jìn)行缺陷模塊圖像集提取，從而獲得層級功能模塊缺陷圖像集；[0160]本實(shí)施例中，將正常功能模塊數(shù)據(jù)與缺陷功能模塊數(shù)據(jù)進(jìn)行層級空間合并。具體利用數(shù)據(jù)融合技術(shù)，采用加權(quán)平均法或主成分分析(PCA)來合并模塊特征。在合并后，利用層級功能模塊缺陷數(shù)據(jù)中包含的缺陷模塊的空間位置，并通過前述的圖像特征提取方法，對線路板圖像集進(jìn)行缺陷模塊圖像提取，以獲得層級功能模塊缺陷圖像集。比如，從合并后的數(shù)據(jù)中提取到的缺陷模塊會(huì)顯示出圖像中有明顯的破損或焊點(diǎn)缺失。[0161]步驟S36:基于層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域?qū)哟位卣骶矸e提取，從而獲得缺陷區(qū)域圖像層次化特征數(shù)據(jù)。[0162]本實(shí)施例中，基于層級功能模塊缺陷圖像集，使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行特征提取?？梢圆捎妙A(yù)訓(xùn)練模型(如VGG16或ResNet)來提取缺陷區(qū)域的層次化特征，通過對每個(gè)缺陷圖像進(jìn)行卷積運(yùn)算，獲得多某模塊的焊點(diǎn)缺陷，通過多層卷積的特征提取，可以分析出缺陷的形狀、大小和位置等，形成詳細(xì)的缺陷區(qū)域圖像層次化特征數(shù)據(jù)。[0164]步驟S41:對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行特征描述子構(gòu)建，從而獲得缺陷特[0165]本實(shí)施例中，從缺陷區(qū)域圖像中提取層次化特征數(shù)據(jù)，可以使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)框架(如TensorFlow或PyTorch)構(gòu)建CNN模型，設(shè)計(jì)多個(gè)卷積層和池化層，以捕捉不同層次的特征。模型通過大量標(biāo)注的缺陷圖像進(jìn)行訓(xùn)練，提取如紋理、形狀和顏色等特征，最終生成缺陷特征描述子，表示每個(gè)缺陷的獨(dú)特特征信息。[0166]步驟S42:對缺陷特征描述子進(jìn)行缺陷深度信息推斷，從而獲得缺陷深度信息數(shù)[0167]本實(shí)施例中，應(yīng)用深度學(xué)習(xí)技術(shù)對缺陷特征描述子進(jìn)行深度信息推斷。具體使用一個(gè)回歸模型，例如長短期記憶網(wǎng)絡(luò)(LSTM),輸入缺陷特征描述子，通過訓(xùn)練數(shù)據(jù)學(xué)習(xí)到缺陷的深度信息。該模型需要通過標(biāo)注的訓(xùn)練數(shù)據(jù)集，包含各種深度信息的缺陷實(shí)例進(jìn)行訓(xùn)練，輸出缺陷深度信息數(shù)據(jù)，例如缺陷的實(shí)際深度和與線路板表面之間的距離。通過計(jì)算損失函數(shù)來優(yōu)化模型的準(zhǔn)確性，確保深度信息推斷的可靠性。[0168]步驟S43:根據(jù)缺陷深度信息數(shù)據(jù)對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行缺失深度信息補(bǔ)償，從而獲得優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)；[0169]本實(shí)施例中，針對缺陷深度信息數(shù)據(jù)，對缺陷區(qū)域圖像層次化特征數(shù)據(jù)進(jìn)行補(bǔ)償。具體采用插值算法(如雙線性插值或三次樣條插值)對缺陷區(qū)域的深度數(shù)據(jù)進(jìn)行重構(gòu)。在此基礎(chǔ)上，結(jié)合缺陷特征描述子，使用深度補(bǔ)償方法生成優(yōu)化的缺陷區(qū)域特征數(shù)據(jù)。補(bǔ)償?shù)倪^程涉及利用已知深度值推測未測量區(qū)域的深度信息，確保最終生成的優(yōu)化特征數(shù)據(jù)能更準(zhǔn)確地反映缺陷的實(shí)際狀態(tài)，從而提高后續(xù)分析的準(zhǔn)確性。[0170]步驟S44:根據(jù)優(yōu)化缺陷區(qū)域圖像層次化特征數(shù)據(jù)對層級功能模塊缺陷圖像集進(jìn)行缺陷區(qū)域透視變換，從而獲得層級功能模塊實(shí)際缺陷圖像集；[0171]本實(shí)施例中，根據(jù)優(yōu)化后的缺陷區(qū)域圖像層次化特征數(shù)據(jù)，進(jìn)行缺陷區(qū)域的透視變換。具體應(yīng)用透視變換算法(如OpenCV中的cv2.warpPerspective),根據(jù)已知的缺陷特征描述子和深度信息計(jì)算變換矩陣。通過輸入缺陷區(qū)域圖像和變換矩陣，生成實(shí)際缺陷圖像集，保持缺陷在空間中的相對位置和形態(tài)，便于后續(xù)分析與處理。[0172]步驟S45:根據(jù)層級功能模塊實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別，從而獲得線路板缺陷模式數(shù)據(jù)。[0173]本實(shí)施例中，利用層級功能模塊的實(shí)際缺陷圖像集進(jìn)行線路板缺陷模式識別。具體使用分類算法(如支持向量機(jī)SVM或深度學(xué)習(xí)模型),對缺陷圖像進(jìn)行訓(xùn)練和測試。準(zhǔn)備標(biāo)注的缺陷圖像數(shù)據(jù)集，包括各種常見的線路板缺陷類型，如短路、開路和焊點(diǎn)缺陷等。通過提取圖像特征(如邊緣、形狀和紋理),輸入分類模型進(jìn)行學(xué)習(xí)，并通過驗(yàn)證集調(diào)整模型參數(shù)。最終，通過該模型對新的缺陷圖像進(jìn)行識別，獲得線路板缺陷模式數(shù)據(jù)，以便進(jìn)行后續(xù)處理和決策支持。[0175]步驟S421:對缺陷特征描述子進(jìn)行主成分降維，從而獲得主成分缺陷特征描述子；[0176]本實(shí)施例中，從原始的缺陷特征描述子中提取數(shù)據(jù)。以一個(gè)PCB(印刷電路板)樣本為例，原始特征包括缺陷的大小、形狀、顏色分布等。使用主進(jìn)行降維。具體實(shí)施時(shí)，可以通過Python的sklearn.