一种基于红外热像和深度学习的电路板智能检测诊断方法与流程

技术特征：
1.一种基于红外热像和深度学习的电路板智能检测诊断方法，其特征在于：具体步骤如下：(一)用python语言编写应用程序软件，在该软件中搭建基于alexnet模型的深度学习分类模型；(二)采集目标电路板正常工作和异常工作时的红外图像，并将采集到的红外图像按照类别放入在相应的文件夹内；(三)将步骤(二)中采集到的红外图像放到模型中的数据集路径中，然后运行模型的训练程序得到模型参数，并将模型参数保存到模型中的模型系数文件内；(四)将需要检测的电路板红外图像放到指定路径，运行电路板检测程序；(五)将输出按照尺寸重新绘制的红外图片、检测结果、正确概率信息供电路板检测人员参考，并将数据保存作为历史数据存档。2.根据权利要求1所述的一种基于红外热像和深度学习的电路板智能检测诊断方法，其特征在于：步骤(一)中搭建后的模型包含八个带权重的层，其中前五层是卷积层，剩下的三层为全连接层，最后一层全连接层的输出为1000维，产生1000类标签。3.根据权利要求2所述的一种基于红外热像和深度学习的电路板智能检测诊断方法，其特征在于：前五层卷积层的层次分析如下：第一层：先输入规格为224
×
224
×
3(rgb彩色图像)的图像，经过预处理、卷积、relu操作、降采样后，变为27
×
27
×
96[(55-3)/2 1＝27]；第二层：输入27
×
27
×
96，经过卷积、relu操作、降采样后，变为13
×
13
×
96[(27-3)/2 1＝13]；第三层：得到【13 2
×
1-3】/1 1＝13，384个13
×
13的新特征图(核3
×
3,步长为1)；第四层：得到【13 2
×
1-3】/1 1＝13，384个13
×
13的新特征图(核3
×
3,步长为1)；第五层：输入13
×
13
×
256，降采样后，变为6
×6×
256[(13-3)/2 1＝6]。4.根据权利要求2所述的一种基于红外热像和深度学习的电路板智能检测诊断方法，其特征在于：后三层全连接层的层次分析如下：第六层：使用4096个神经元，对256个大小为6
×
6特征图进行一个全连接，然后进行卷积、乘以权重、加上偏置、以及抑制过度拟合，得到新的4096个神经元；第七层：与第六层相同；第八层：采用1000个神经元，然后对第七层中的4096个神经元进行全链接，然后会通过高斯过滤器，得到1000个float型的值。5.根据权利要求1所述的一种基于红外热像和深度学习的电路板智能检测诊断方法，其特征在于：步骤(三)中模型训练的具体步骤如下：(a)确定数据库路径；(b)将数据库按照4:1的比例随机划分为训练集和验证集；(c)设置批处理大小、迭代次数等模型的初始化训练参数；(d)添加数据标签；(e)编译初始模型；(f)迭代训练参数。6.根据权利要求1所述的一种基于红外热像和深度学习的电路板智能检测诊断方法，
其特征在于：步骤(四)中的电路板检测的具体步骤如下：(a)打开需要检测的电路板红外图像文件夹；(b)将需要检测的电路板红外图像缩放为合适尺寸；(c)载入模型参数；(d)载入分类列表；(e)检测诊断并输出结果；(f)保存结果。

技术总结
本发明涉及电路板检测诊断技术领域，具体为一种基于红外热像和深度学习的电路板智能检测诊断方法，具体步骤如下：用Python语言编写应用程序软件，在该软件中搭建基于Alexnet模型的深度学习分类模型；采集目标电路板正常工作和异常工作时的红外图像，并将采集到的红外图像按照类别放入在相应的文件夹内；将采集到的红外图像放到模型中的数据集路径中；将需要检测的电路板红外图像放到指定路径，运行电路板检测程序；将输出按照尺寸重新绘制的红外图片、检测结果、正确概率信息供电路板检测人员参考。本发明无需先将图片转为灰度图片；扩展性强；大大提高了电路板检测效率，减轻了人员的工作强度和压力，也一定程度降低人工主观因素导致的误判。因素导致的误判。因素导致的误判。


技术研发人员：张子明 胡伟 王洪涛
受保护的技术使用者：国营芜湖机械厂
技术研发日：2021.09.18
技术公布日：2022/2/7