欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202211408638X
申请人: 淮阴工学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于非负性约束稀疏自编码器的电子电路缺陷检测方法,其特征在于,包括以下步骤:(1)对电子电路缺陷数据集预处理;对电子电路图像采集、剪裁,确定电子电路缺陷数据集及缺陷类型,完成图像数据的增强及特征选取;

(2)完成基于组的图模型及核规范方法GNN的电子电路图像去噪,利用图像的拉普拉斯图矩阵及核规范来封装图结构;

(3)构建基于非负性约束稀疏自编码器FFSAE的深度学习模型,并将其用于缺陷区域的提取中;

步骤(3)a:利用编码器对输入数据进行编码

首先,利用一组编码器θE={WE,bE}将输入数据转换为“压缩”表示的图像特征;通过以下公式将输入信号Xm∈Rd变换为隐层特征向量hm∈Rs:hm=E(Xm,θE)=sigm(WEXE+bE)其中,θE表示由权重矩阵WE和偏置向量bE组成的编码器参数,编码器为非线性变换函数:E(g):Rd→Rs(d>s);

步骤(3)b:定义成本函数ηAE(W,b)

将所有训练样本的平均重建误差定义为成本函数ηAE(W,b),同时增加权重衰减惩罚项α,具体定义如下:其中,W={WE,WD},b={bE,bD},M是训练样本的数量,α为控制减小权重的正规化惩罚项;

步骤(3)c:建立稀疏自动编码器

(1)求解隐层单元的平均激活值

通过将稀疏性强加于自动编码器的隐层单元可以构建稀疏自编码器,稀疏自编码器期望每个隐层单元的平均激活值接近于零;设[hm]j为与Xm相关的第j个隐藏单元的激活值,则第j个隐层单元在整个训练集上平均激活值计算如下:(2)定义惩罚项

稀疏自编码器的稀疏性约束由强制执行,其中,ε为预定义的稀疏性参数,增加一个额外的惩罚项,用以惩罚明显偏离ε的的情况,惩罚项定义为Kullback-Leibler(KL)散度,如下式所示:其中,是隐单元的平均激活向量,s是隐藏单元数,是用于测量两个分布之间差异的标准函数;

可见,当时,可以达到最小的0值,且当向上偏离ε时,会导致其无效,因此,最小化此惩罚项可以使得接近于ε;

(3)定义稀疏成本函数ηSAE(W,b)

稀疏自编码器的训练目标优化函数是最小化平均重建误差ηAE(W,b)及稀疏性惩罚项由此,稀疏成本函数ηSAE(W,b)定义为:其中,β是用来控制稀疏性惩罚项的权重;由于ε表示所有隐单元的平均激活,而隐单元的激活取决于参数{W,b},因此,ε项也依赖于{W,b};

步骤(3)d:建立非负约束标准自动编码器的成本函数ηFFSAE(W,b)提出非负约束自编码器FFSAE,修改成本函数为ηFFSAE(W,b),具体如下:其中,

步骤(3)e:利用梯度下降方法更新和

首先初始化参数和为接近零的随机值,然后应用梯度下降优化算法进行训练,在每次迭代中更新参数和具体如下式:其中,λ>0是学习率;

步骤(3)f:利用解码器来重建输入信号

利用解码器θD={WD,bD}来反向恢复隐藏特征,从而重建输入信号,具体实现时,通过解码器D(g):Rs→Rd,将隐藏的特征向量hm反向恢复为具有类似结构的重建向量实现公式如下:其中,θD表示由权重矩阵WD和偏差向量bD组成的解码器参数;

(4)生成缺陷检测图,利用训练成功的自编码器FFSAE模型预测出高质量的电路图像,并将该预测图像减去原始缺陷输入图像,生成缺陷检测图,最后通过对缺陷检测图设置适当阈值的方式来突出显示缺陷位置,从而完成对电子电路缺陷类型的正确分类。

2.根据权利要求1所述的非负性约束稀疏自编码器的电子电路缺陷检测方法,其特征在于,所述步骤(1)中对电子电路缺陷数据集预处理具体步骤如下:步骤(1)a:采集、剪裁电子电路图像,确定电子电路缺陷数据集;

步骤(1)b:确定电子电路缺陷类型,设定两种缺陷,一种是真缺陷,另一种是伪缺陷;其中,真缺陷真是由于引线形状改变而引起的缺陷,具体又设定为断开缺陷、连接缺陷、突出缺陷和裂纹缺陷;伪缺陷的特点是只有颜色变化,而引线及基础部件的形状特征不变,具体又设定分为氧化缺陷和灰尘缺陷;

步骤(1)c:完成图像数据增强及特征选取

数据增强:应用几何变换和加入噪声的方式来完成数据增强:应用随机旋转的方式来克服图像数据的位置偏差;将具有噪声分布的随机矩阵与原始数据相乘;

特征选取:确定特征参数分别为颜色信息和形状信息,其中,颜色信息共30种,分别从RGB、HSV颜色模型中进行提取以下特征,分别为1)最大值,2)最小值,3)平均值,4)比例高值,5)引线区域与候选区域和引线的比率,6)基础部件与候选部件的比率,7)数值重心与最大值之间的位置差,8)方差,9)标准偏差,10)峰度,11)偏斜度,12)熵,13)最大值和最小值之间的差值,14)中值,15)测试图像和参考图像之间的相关性;形状信息共包括8种类型,包括1)面积,2)周长,3)x方向尺寸,4)y方向尺寸,5)纵横比,6)对角线长度,7)复杂性,8)圆度。

3.根据权利要求1所述的基于非负性约束稀疏自编码器的电子电路缺陷检测方法,其特征在于,所述步骤(2)中完成基于组的图模型及核规范方法GNN的电路图像去噪,具体步骤如下:步骤(2)a:利用拉普拉斯矩阵L表征采集的补丁图像(1)根据图像数据获得加权相邻矩阵W

无向加权的加权邻接矩阵W图是非负的,并且具有相等的对角元素,即Wij=wji,Wij≥0,利用阈值高斯内核构成边缘的权重矩阵W,具体如下:其中,是在图像顶点vi和vj之间的欧几里得距离,σ是控制权重随距离增加而衰减的速度控制参数,ε是阈值参数,代表ε-邻域图;

(2)获取由拉普拉斯矩阵表示的图像L

L=Δ-W

其中,Δ是对角矩阵,满足方程Δii=∑jWij;

步骤(2)b:建立基于分组的图模型及核规范的组合优化公式(1)构建基本优化公式

设是与拉普拉斯矩阵关联的正则化项,则基于图像去噪的基本优化公式如下:其中,x和y都是代表图像块的n×1的向量,L是n×n的拉普拉斯矩阵,θ是正则化参数;

(2)构造基于分组对偶图的优化公式

考虑到各组是一个矩阵,即构造包括行图和列图的对偶图Tm×n,则定义对偶图模型的优化表达式如下:其中,X和Y是m×n的图像行列数据矩阵,θr和θc是正则化控制参数,用来确定正则化项的影响程度,即行图和列图是基于组的行图正则化项,利用位于所有相似补丁图像的同一位置的像素强度的相似性来定义,具体为:是基于组的列图正则化项,利用位于每一个补丁图像对应所有位置的像素强度的相似性来定义,具体为:Lr和Lc分别是行拉普拉斯矩阵和列拉普拉斯阵;

(3)构造核规范的优化公式

引入低阶优化处理,对低秩数据矩阵X的常规替换称为核规范或跟踪规范||X||*,具体定义如下:||X||*=tr((XXT)1/2)=∑kσk其中,σk是X的奇异值;

(4)构造基于分组的图模型及核规范的组合优化公式具体定义如下:

其中,θn、θr和θc是核范数、行图和列图的控制参数,可见,正则化项反映了非局部自相似性,核规范反映了能使用大量信息图像的低秩特性。

4.根据权利要求3所述的基于非负性约束稀疏自编码器的电子电路缺陷检测方法,其特征在于,对步骤(2)中基于分组的图模型及核规范的组合优化公式利用KNN算法进行优化处理求解,具体步骤如下:(1)计算当前补丁图像与所有补丁图像之间的优化公式取值;

(2)按照优化值升序排列;

(3)选取优化值最邻近的K个补丁图像;

(4)统计K个补丁图像所在类别出现的频率,将K个补丁图像中出现频率最高的类别作为去噪后的结果图像。

5.根据权利要求1所述的基于非负性约束稀疏自编码器的电子电路缺陷检测方法,其特征在于,所述步骤(4)在利用缺陷检测图确定缺陷类型时,需要定义性能评价指标,采用结构相似性测量指数SSI作为评价指标,用以衡量某个图像结构信息相对另一个图像结构信息的退化程度,具体计算如下:式中,μ和σ分别表示各个像素参数的平均值和方差;σxy为协方差;c1、c2是防止除数为零的常数。