CN119399563B 印刷线路板缺陷识别的深度学习方法及系统 （深圳市三德盈电子有限公司）

(19)国家知识产权局(12)发明专利务所(特殊普通合伙)44939GO6V10/764(20GO6N3/08(2023.GO6VGO6V10/774(2022.GO6V10/80(202GO6V10/82(202审查员郭晓坤印刷线路板缺陷识别的深度学习方法及系统集并进行图像增强，获得线路板主体增强图像行缺陷模式特征提取，获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行分类器构21.一种印刷线路板缺陷识别的深度学习方法，其特征在于，包括以下步骤：步骤S1:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行线路板背景清理，从而获得线路板主体图像集；对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集；步骤S2:对线路板主体增强图像集进行线路板多层主体层级整合，从而获得线路板主体层级整合图像集，并对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集；步骤S3:基于线路板层级功能模块图像集进行层级功能模块缺陷检测，从而获得层级功能模块缺陷图像集，并基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据，步骤步骤S31:对线路板层级功能模块图像集进行层级功能模块组件布局特征提取，从而获得层级功能模块组件布局数据；步骤S32:根据层级功能模块组件布局数据进行组件传输距离估计，从而获得模块组件传输距离数据，并根据模块组件传输距离数据进行模块相对传输距离统计，从而获得高相对传输距离模块数据以及低相对传输距离模块数据；步骤S33:对层级功能模块组件布局数据进行模块组件密集度估计，从而获得模块组件密集度数据，并根据模块组件密集度数据进行模块相对密集度统计，从而获得高组件密集度模块数据以及低组件密集度模块数据；步骤S34:对高相对传输距离模块数据以及高组件密集度模块数据进行模块交集运算，从而获得缺陷功能模块数据；对低相对传输距离模块数据以及低组件密集度模块数据进行模块交集运算，从而获得正常功能模块数据；步骤S35:对正常功能模块数据以及缺陷功能模块数据进行层级空间合并，从而获得层级功能模块缺陷数据，并根据层级功能模块缺陷数据对线路板层级功能模块图像集进行缺陷模块图像集提取，从而获得层级功能模块缺陷图像集；步骤S36:基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据；步骤S4:基于缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行线路板深度信息缺失校正，从而获得层级功能模块实际缺陷图像集；根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据；步骤S5:基于线路板缺陷模式数据进行缺陷模式特征提取，从而获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行深度学习分类器构建，从而获得印刷线路板缺陷识别模型。2.根据权利要求1所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S1具体为：步骤S11:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行灰度图像转步骤S12:对灰度线路板图像集进行像素灰度值统计，从而获得图像像素灰度值数据，并根据图像像素灰度值数据进行低频灰度值统计，从而获得低频像素灰度值数据；步骤S13:根据低频像素灰度值数据对灰度线路板图像集进行低频像素灰度值区域图3像清理，从而获得线路板前景图像集；步骤S14:对线路板前景图像集进行形态学边缘平滑，从而获得线路板主体图像集；步骤S15:对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图3.根据权利要求2所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S15具体为：步骤S151:对线路板主体图像集进行RGB图像格式转换，从而获得线路板主体转换图像集，并对线路板主体转换图像集进行颜色通道分离，从而获得颜色通道分离图像集；步骤S152:对颜色通道分离图像集进行全通道自适应直方图均衡化，从而获得增强颜色通道分离图像集；步骤S153:对增强颜色通道分离图像集进行颜色通道合并，从而获得线路板增强图像步骤S154:根据线路板增强图像集进行线路板结构特征增强，从而获得线路板板件增强图像集以及线路板组件增强图像集；步骤S155:对线路板板件增强图像集以及线路板组件增强图像集进行线路板图像空间4.根据权利要求2所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S154具体为：步骤S1541:根据线路板增强图像集进行图像像素值统计，从而获得高频图像像素值数据以及低频图像像素值数据；步骤S1542:根据高频图像像素值数据对线路板增强图像集进行高频图像像素值区域图像划分，从而获得板件区域图像集；根据低频图像像素值数据对线路板增强图像集进行低频图像像素值区域图像划分，从而获得组件区域图像集；步骤S1543:对板件区域图像集进行板件结构细节锐化滤波处理，从而获得线路板板件增强图像集；对组件区域图像集进行组件结构细节平滑轮廓增强，从而获得线路板组件增强图像集。5.根据权利要求1所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S2具步骤S21:对线路板主体增强图像集进行线路板主体结构相似度计算，从而获得线路板主体结构相似度数据；步骤S22:根据线路板主体结构相似度数据对线路板主体增强图像集进行线路板主体结构聚类，从而获得线路板主体结构聚类图像集；步骤S23:对线路板主体结构聚类图像集进行聚类结构模式识别，从而获得聚类结构模式数据，并根据聚类结构模式数据进行线路板结构层级定义，从而获得聚类结构层级数据；步骤S24:根据聚类结构层级数据对线路板主体结构聚类图像集进行多层线路板层级图像整合，从而获得线路板主体层级整合图像集；步骤S25:对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集。6.根据权利要求5所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S254具体为：步骤S251:获取历史线路板功能模块结构数据，并对历史线路板功能模块结构数据进行模块组件特征提取，从而获得功能模块组件特征数据；步骤S252:对线路板主体层级整合图像集进行层级线路板结构整合，从而获得层级布线结构数据以及层级组件结构数据；步骤S253:根据层级布线结构数据进行布线密集度统计，从而获得层级布线密集度数据，并根据层级布线密集度数据对层级布线结构数据进行层级密集布线区域划分，从而获得高密集度布线区域数据；步骤S254:根据层级组件结构数据进行层级组件连通关系分析，从而获得层级组件连通数据，并根据层级组件连通数据进行高连通数量组件统计，从而获得高连通量组件数据；步骤S255:根据高连通量组件数据进行区域高连通量组件占比统计，从而获得高连通量组件高占比区域数据；步骤S256:对高连通量组件高占比区域数据以及高密集度布线区域数据进行区域交集步骤S257:根据功能模块组件特征数据对模块组件区域数据进行功能模块识别，从而获得功能模块组件区域数据，并根据功能模块组件区域数据对线路板主体层级整合图像集进行功能模块区域划分，从而获得线路板层级功能模块图像集。7.根据权利要求1所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S4具步骤S41:对缺陷区域图像层次化特征数据进行特征描述子构建，从而获得缺陷特征描步骤S42:对缺陷特征描述子进行缺陷深度信息推断，从而获得缺陷深度信息数据；步骤S43:根据缺陷深度信息数据对缺陷区域图像层次化特征数据进行缺失深度信息补偿，从而获得优化缺陷区域图像层次化特征数据；步骤S44:根据优化缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行缺陷区域透视变换，从而获得层级功能模块实际缺陷图像集；步骤S45:根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据。8.根据权利要求7所述的印刷线路板缺陷识别的深度学习方法，其特征在于，步骤S42具体为：步骤S421:对缺陷特征描述子进行主成分降维，从而获得主成分缺陷特征描述子；步骤S422:对主成分缺陷特征描述子进行布局缺陷描述子特征选择，从而获得布局缺陷特征描述子；步骤S423:对层级功能模块缺陷图像集进行图像纹理连贯性评估，从而获得图像纹理连贯性数据，并根据图像纹理连贯性数据对层级功能模块缺陷图像集进行深度信息缺失区域聚类，从而获得深度信息缺失图像；步骤S424:对布局缺陷特征描述子以及深度信息缺失图像进行缺陷深度信息关联，从而获得缺陷-深度关联数据；步骤S425:基于历史线路板布局缺陷图像集以及缺陷-深度关联数据进行卷积神经网5络深度推断模型构建，从而获得布局缺陷深度推断模型；步骤S426:通过布局缺陷深度推断模型对缺陷特征描述子进行布局缺陷深度信息推断，从而获得缺陷深度信息数据。9.一种印刷线路板缺陷识别的深度学习系统，其特征在于，用于执行如权利要求1所述的印刷线路板缺陷识别的深度学习方法，该印刷线路板缺陷识别的深度学习系统包括：图像质量增强模块，用于获取印刷线路板原始图像集，并对印刷线路板原始图像集进行线路板背景清理，从而获得线路板主体图像集；对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集；功能模块识别模块，用于对线路板主体增强图像集进行线路板多层主体层级整合，从而获得线路板主体层级整合图像集，并对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集；功能模块缺陷检测模块，用于基于线路板层级功能模块图像集进行层级功能模块缺陷检测，从而获得层级功能模块缺陷图像集，并基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据；深度信息缺失校正模块，用于基于缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行线路板深度信息缺失校正，从而获得层级功能模块实际缺陷图像集；根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据；线路板缺陷识别模块，用于基于线路板缺陷模式数据进行缺陷模式特征提取，从而获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行深度学习分类器构建，从而获得印刷线路板缺陷识别模型。6印刷线路板缺陷识别的深度学习方法及系统技术领域[0001]本发明涉及图像识别技术领域，尤其涉及一种印刷线路板缺陷识别的深度学习方法及系统。背景技术[0002]随着电子产品的迅猛发展，印刷线路板(PrintedCircuitBoard,PCB)作为电子设备的核心组成部分，其设计与制造的复杂性日益增加。PCB不仅承载着电子元件的连接，更是保证电子设备正常运作的基础。随着技术的点不良等，这些缺陷严重影响产品的可靠性和性能。传统的PCB缺陷检测方法多依赖人工视觉检查或基于规则的自动化检测，这些方法通常具有较高的劳动强度和主观性，容易受到人为因素的影响，且在复杂的缺陷模式识别上存在一定的局限性。发明内容[0003]基于此，本发明有必要提供印刷线路板缺陷识别的深度学习方法及系统，以解决至少一个上述技术问题。[0004]为实现上述目的，一种印刷线路板缺陷识别的深度学习方法，包括以下步骤：[0005]步骤S1:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行线路板背景清理，从而获得线路板主体图像集；对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集；[0006]步骤S2:对线路板主体增强图像集进行线路板多层主体层级整合，从而获得线路板主体层级整合图像集，并对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集；[0007]步骤S3:基于线路板层级功能模块图像集进行层级功能模块缺陷检测，从而获得层级功能模块缺陷图像集，并基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据；[0008]步骤S4:基于缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行线路板深度信息缺失校正，从而获得层级功能模块实际缺陷图像集；根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据；[0009]步骤S5:基于线路板缺陷模式数据进行缺陷模式特征提取，从而获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行深度学习分类器构建，从而获得印刷线路板缺陷识别模型。[0010]本发明通过获取印刷线路板(PCB)的原始图像集并进行背景清理，可以有效去除图像中不必要的干扰信息，突出线路板的主体部分。这一过程为后续的图像处理打下了坚实的基础，确保检测算法能够聚焦于关键信息。通过质量增强技术(如对比度提升、去噪声处理),可以提高图像的清晰度和可读性。这种增强能够帮助后续算法更准确地识别线路板7的细节，从而提高缺陷检测的精度。将PCB的多层图像进行整合，可以提供助分析各层之间的相互关系。这种层级整合使得后续分析能够更好地理解整个线路板的结构，从而提高功能模块的识别率。通过功能模块识别，能够确定各个功能区域的具体作用，便于定位潜在的缺陷。这一步能够提高缺陷检测的针对性，减少误检和漏检的概率。在层级功能模块上进行缺陷检测，能够迅速识别出影响产品质量的缺陷，从而及时采取措施。这一过程提高了检测的效率和准确性。通过卷积神经网络提取缺陷区域的层次化特征，可以更深入地分析缺陷的性质与严重程度。这为后续的缺陷分类和处理提供了更加丰富的数据支持。基于缺陷区域的特征数据进行深度信息的缺失校正，能够确保缺陷检测结果的可靠性。这一校正过程减少了因信息缺失导致的误判，使得缺陷识别更加准确。通过对实际缺陷图像进行模式识别，能够提取出特定的缺陷模式数据。这一识别过程为后续的缺陷分析和改进提供了数据依据，有助于提高PCB生产的质量控制水平。从缺陷模式数据中提取特征向量集，为深度学习模型提供有效的输入数据。这种特征提取提高了分类器的学习效率和准确性，使其能够更好地适应复杂的检测任务。构建印刷线路板缺陷识别模型，能够实现自动化的缺陷检测与分类，减少人工干预。这种智能化的检测系统提高了生产效率，降低了人工成本，同时提升了产品的可靠性和一致性。综上所述，各步骤的具体有益效果显著提高了PCB的缺陷检测效率与准确性，降低了生产过程中的人为错误，最终确保了产品质量的稳定性与可靠性。通过系统化的处理与分析，可以实现对复杂缺陷模式的高效识别与处理，为电子产品的生产提供了强有力的技术支持。[0012]步骤S11:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行灰度图像转换，从而获得灰度线路板图像集；[0013]步骤S12:对灰度线路板图像集进行像素灰度值统计，从而获得图像像素灰度值数据，并根据图像像素灰度值数据进行低频灰度值统计，从而获得低频像素灰度值数据；[0014]步骤S13:根据低频像素灰度值数据对灰度线路板图像集进行低频像素灰度值区域图像清理，从而获得线路板前景图像集；[0015]步骤S14:对线路板前景图像集进行形态学边缘平滑，从而获得线路板主体图像[0016]步骤S15:对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集。[0017]本发明通过将彩色图像转换为灰度图像，可以减少图像的数据量，简化后续的处理。灰度图像有助于突出不同结构的对比度，方便后续的分析与处理。灰度化为后续步骤提供了统一的图像格式，确保处理的一致性。通过统计像素灰度值，可以提取出图像中的重要特征，有助于后续的分析。低频灰度值统计能够帮助识别和去除图像中的高频噪声，提高图像的清晰度。获取低频灰度值数据为后续的图像处理提供了重要的数据支持，能够更好地理解图像的整体特征。通过清理低频区域，可以去除不必要的背景噪声，增强图像的质量，有助于突出线路板的主要特征和结构，确保前景信息的清晰可见，清理后的图像便于后续的分析与处理，降低了算法复杂性。形态学边缘平滑技术可以使线路板的边缘更加光滑且易于识别，改善图像的视觉效果。通过平滑处理，可以消除图像中的小噪声和伪影，从而获得更准确的边缘信息。平滑后的图像有助于提高后续分析和特征提取的准确性，确保识别8结果的可靠性。图像质量增强可以提高线路板的整体可视化效果，使得细节更加清晰，易于观察。增强后的图像便于后续的自动化分析，如缺陷检测和特征识别，减少了人工干预。通过增强图像质量，可以更好地确保线路板的整体质量，从而提高制造过程的可靠性和有效性。[0019]步骤S151:对线路板主体图像集进行RGB图像格式转换，从而获得线路板主体转换图像集，并对线路板主体转换图像集进行颜色通道分离，从而获得颜色通道分离图像集；[0020]步骤S152:对颜色通道分离图像集进行全通道自适应直方图均衡化，从而获得增强颜色通道分离图像集；[0021]步骤S153:对增强颜色通道分离图像集进行颜色通道合并，从而获得线路板增强图像集；[0022]步骤S154:根据线路板增强图像集进行线路板结构特征增强，从而获得线路板板件增强图像集以及线路板组件增强图像集；[0023]步骤S155:对线路板板件增强图像集以及线路板组件增强图像集进行线路板图像空间合并，从而获得线路板主体增强图像集。[0024]本发明将线路板主体的图像集转换为RGB格式，确保图像信息以标准格式存储和处理，这一转换能有效提升后续处理的兼容性。将线路板主体的图像集转换为RGB格式，确保图像信息以标准格式存储和处理。这一转换能有效提升后续处理的兼容性。通过对每个颜色通道独立进行直方图均衡化，增强图像的对比度和亮度，这一过程有助于改善图像的可视性，使得微小细节更加明显，特别是在复杂背景下的线路和元件更易于识别。将增强后的颜色通道重新合并为一幅图像，将之前的增强效果结合起来，得到更加清晰、色彩丰富的线路板图像，有利于提高后续分析的准确性和效率。基于增强后的图像集，进一步提取和增强线路板的结构特征，这一步可以突出电路板上的重要组成部分，如线路、焊点和元件，使得它们在图像中更加显眼，从而支持后续的自动检测和识别任务。将线路板板件增强图像集与组件增强图像集进行空间合并，最终生成一个综合的线路板主体增强图像集，这一过程能够综合不同增强效果，使得线路板的整体视图更加清晰和完整，有助于后续的分析和决策。[0026]步骤S1541:根据线路板增强图像集进行图像像素值统计，从而获得高频图像像素值数据以及低频图像像素值数据；[0027]步骤S1542:根据高频图像像素值数据对线路板增强图像集进行高频图像像素值区域图像划分，从而获得板件区域图像集；根据低频图像像素值数据对线路板增强图像集进行低频图像像素值区域图像划分，从而获得组件区域图像集；[0028]步骤S1543:对板件区域图像集进行板件结构细节锐化滤波处理，从而获得线路板板件增强图像集；对组件区域图像集进行组件结构细节平滑轮廓增强，从而获得线路板组件增强图像集。[0029]本发明中高频像素值代表图像中的细节、边缘和纹理信息，能帮助识别线路板上的微小缺陷。低频像素值则反映了图像的整体结构和大尺度变化，有助于理解板件的基本形状和位置。通过对图像进行统计，可以建立高频和低频像素值的分布模型。这为后续的图9像处理提供了数据支持，确保处理方法更有针对性。统计过程能够识别和滤除图像中的噪声，有效增强后续处理的稳定性和准确性。高频像素值区域划分能够突出线路板的细节部分，使得结构复杂的区域(如焊点、引脚)更容易识别，便于缺陷检测，低频像素值区域划分则强调了整体结构，帮助识别组件的位置和布局。通过将图像划分为板件区域和组件区域，可以针对不同区域应用特定的处理算法，减少不必要的计算，提高整体处理效率。区域划分后的图像可以进行更深入的特征提取，如形状、尺寸和位置，从而为后续的机器学习或自动化检测提供更丰富的数据。对板件区域进行锐化滤波处理，有助于突出细节，改善线路板缺陷的可见性，使得自动检测系统更容易识别缺陷。对组件区域的平滑处理，则可以消除不必要的纹理噪声，增强组件的可识别性，确保整体布局的清晰度。经过增强处理的图像在视觉上更清晰，有助于工程师进行人工检查，同时也有利于后续的自动化分析。增强后的图像集可以用于多种后续应用，如机器视觉系统、智能检测、以及后续的质量分析，增强整体生产效率和产品质量。[0031]步骤S21:对线路板主体增强图像集进行线路板主体结构相似度计算，从而获得线路板主体结构相似度数据；[0032]步骤S22:根据线路板主体结构相似度数据对线路板主体增强图像集进行线路板主体结构聚类，从而获得线路板主体结构聚类图像集；[0033]步骤S23:对线路板主体结构聚类图像集进行聚类结构模式识别，从而获得聚类结构模式数据，并根据聚类结构模式数据进行线路板结构层级定义，从而获得聚类结构层级[0034]步骤S24:根据聚类结构层级数据对线路板主体结构聚类图像集进行多层线路板层级图像整合，从而获得线路板主体层级整合图像集；[0035]步骤S25:对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集。[0036]本发明通过对线路板主体的相似度计算，可以准确识别出不同线路板之间的结构相似性，进而减少错误分类的可能性。增强图像可以去除背景噪声，提高检测的精度，使得相似度计算更加可靠。相似度计算可自动化处理，减轻人工检测负担，降低人为错误的概率。聚类分析能够识别出不同线路板结构的潜在模式，从而为后续的缺陷检测和分类提供有力支持。通过对结构相似的线路板进行聚类，可以有效减少需要处理的数据量，提升检测效率。通过聚类，检测系统能够更快地集中于特定类别的线路板，从而提高整体检测速度。聚类结构模式识别有助于识别特定的缺陷类型，为后续的缺陷处理提供基础。根据聚类结构模式数据进行层级定义，可以清晰地划分出不同的线路板功能模块，增强后续分析的可操作性。通过识别不同的聚类模式，系统能够提供更智能的决策支持，从而在复杂环境中快速响应。多层整合图像使得检测人员能够从整体上把握线路板结构，提升理解与分析的效率。通过层级整合，可以将复杂的线路板设计简化为更易于理解和操作的视觉模型。整合后的图像能够帮助团队成员更好地协作，提高沟通效率。通过功能模块识别，能够迅速定位到可能存在缺陷的模块，缩短故障排查时间。通过有效的功能模块检测，可以及时发现潜在的故障，从而提高产品的可靠性和性能。通过分析功能模块的性能，可以为线路板设计的优化提供数据支持，有助于提高未来产品的竞争力。[0038]步骤S251:获取历史线路板功能模块结构数据，并对历史线路板功能模块结构数据进行模块组件特征提取，从而获得功能模块组件特征数据；[0039]步骤S252:对线路板主体层级整合图像集进行层级线路板结构整合，从而获得层级布线结构数据以及层级组件结构数据；[0040]步骤S253:根据层级布线结构数据进行布线密集度统计，从而获得层级布线密集度数据，并根据层级布线密集度数据对层级布线结构数据进行层级密集布线区域划分，从而获得高密集度布线区域数据；[0041]步骤S254:根据层级组件结构数据进行层级组件连通关系分析，从而获得层级组件连通数据，并根据层级组件连通数据进行高连通数量组件统计，从而获得高连通量组件[0042]步骤S255:根据高连通量组件数据进行区域高连通量组件占比统计，从而获得高连通量组件高占比区域数据；[0043]步骤S256:对高连通量组件高占比区域数据以及高密集度布线区域数据进行区域交集运算，从而获得模块组件区域数据；[0044]步骤S257:根据功能模块组件特征数据对模块组件区域数据进行功能模块识别，从而获得功能模块组件区域数据，并根据功能模块组件区域数据对线路板主体层级整合图像集进行功能模块区域划分，从而获得线路板层级功能模块图像集。[0045]本发明通过提取历史线路板的功能模块结构数据，可以构建一个丰富的数据集，为后续分析提供基础。模块组件特征提取有助于理解不同模块的功能和性能，支持优化设计和故障分析。分析历史数据，可以发现设计中的常见问题，并为新设计提供借鉴。整合图像集将线路板的结构以层级形式展现，方便后续分析和处理。可视化层级布线结构和组件结构，提升对线路板设计的理解，有助于设计人员快速识别问题。通过层级整合，可以发现设计中冗余的部分，有助于优化布线和组件布局。统计布线密集度可以帮助评估线路板的布线效率，为优化设计提供数据支持。识别高密集度布线区域，有助于设计人员在设计过程中避免布线过于复杂，降低制造难度。了解布线密集度有助于预测线路板在高负荷下的性能，降低故障率。分析组件之间的连通关系，有助于理解系统的整体功能和交互，提升设计的可靠性。通过高连通数量组件统计，识别出关键组件，有助于在设计中加以关注，确保其性能。连通关系分析能够为优化组件布局提供依据，提高电路的整体性能和效率。高占比区域通常是功能实现的关键区域，了解这些区域可以帮助优先考虑它们的设计和测试。根据高连通量组件的占比，可以合理配置资源，确保关键区域的设计和制造质量。通过对高连通量组件高占比区域数据与高密集度布线区域数据进行交集运算，可以得到重要的模块区域，便于进一步分析。识别出模块组件区域，可以更好地评估潜在的设计风险，制定相应的解决方案。交集结果有助于设计人员在布局时进行针对性的优化，减少不必要的复杂性。对模块组件区域的功能模块识别能够帮助设计人员明确每个模块的功能，提高缺陷检测的准确性。通过功能模块区域划分，可以确保线路板设计在功能上的一致性，有助于后续的测试和验证，获得的线路板层级功能模块图像集为后续的缺陷检测提供了重要依据，提升了工作效率。11[0047]步骤S31:对线路板层级功能模块图像集进行层级功能模块组件布局特征提取，从而获得层级功能模块组件布局数据；[0048]步骤S32:根据层级功能模块组件布局数据进行组件传输距离估计，从而获得模块组件传输距离数据，并根据模块组件传输距离数据进行模块相对传输距离统计，从而获得高相对传输距离模块数据以及低相对传输距离模块数据；[0049]步骤S33:对层级功能模块组件布局数据进行模块组件密集度估计，从而获得模块组件密集度数据，并根据模块组件密集度数据进行模块相对密集度统计，从而获得高组件密集度模块数据以及低组件密集度模块数据；[0050]步骤S34:对高相对传输距离模块数据以及高组件密集度模块数据进行模块交集运算，从而获得缺陷功能模块数据；对低相对传输距离模块数据以及低组件密集度模块数据进行模块交集运算，从而获得正常功能模块数据；[0051]步骤S35:对正常功能模块数据以及缺陷功能模块数据进行层级空间合并，从而获得层级功能模块缺陷数据，并根据层级功能模块缺陷数据对线路板层级功能模块图像集进行缺陷模块图像集提取，从而获得层级功能模块缺陷图像集；[0052]步骤S36:基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据。[0053]本发明通过对线路板层级功能模块的图像进行特征提取，可以有效识别各组件的布局及其相互关系。这为后续的分析打下基础。提取的布局数据便于进一步的量化分析，可以为后续的传输距离和密集度评估提供定量依据。准确的特征提取有助于降低误判率，提高后续步骤的准确性和可靠性。通过估计组件之间的传输距离，可以识别哪些模块在功能上更为紧密，哪些模块可能存在潜在的通信瓶颈。模块间的相对传输距离统计，可以为设计优化提供参考，改善系统传输效率。高相对传输距离模块数据的提取，有助于识别可能存在的缺陷区域，为后续的缺陷检测提供依据。组件密集度的分析有助于理解电路板的设计复杂性和组件布局的合理性。通过统计高和低组件密集度的数据，可以为线路板的设计改进提供数据支持，减少组件干扰及提升散热性能。低组件密集度模块数据的分析，有助于识别出可能导致性能问题的设计区域。通过交集运算，可以清晰区分出缺陷模块与正常模块，为后续的故障诊断提供数据基础。高相对传输距离且高组件密集度的模块通常是潜在故障的区域，通过模块交集运算可以精确锁定故障来源。有效整合不同数据类型，使得缺陷模块和正常模块的数据更加清晰，便于后续分析。通过层级空间合并，将缺陷和正常模块的数据进行有效整合，为后续的缺陷分析提供全局视角，针对缺陷模块的图像集提取，有助于形成针对性的缺陷识别和分析工具。获得的层级功能模块缺陷图像集为后续的深度学习和图像识别提供了基础，能显著提高自动检测系统的准确性。通过层次化特征卷积提取，能够加强对缺陷区域的辨识能力，提高缺陷检测的精准度。层次化特征的提取允许从多个层次分析缺陷区域，帮助定位问题并进行更深入的故障分析。提取的特征数据可以为后续的智能算法提供支持，进一步实现自动化的故障检测与识别。[0055]步骤S41:对缺陷区域图像层次化特征数据进行特征描述子构建，从而获得缺陷特征描述子；[0056]步骤S42:对缺陷特征描述子进行缺陷深度信息推断，从而获得缺陷深度信息数[0057]步骤S43:根据缺陷深度信息数据对缺陷区域图像层次化特征数据进行缺失深度信息补偿，从而获得优化缺陷区域图像层次化特征数据；[0058]步骤S44:根据优化缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行缺陷区域透视变换，从而获得层级功能模块实际缺陷图像集；[0059]步骤S45:根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据。[0060]本发明通过对缺陷区域的图像进行层次化特征提取，可以有效地捕捉到不同尺度和不同类型的缺陷特征。构建的特征描述子能够提高对缺陷特征的稳定性，降低外部环境变化(如光照、角度等)对特征识别的影响。特征描述子的构建为后续的深度信息推断和缺陷识别提供了必要的基础数据。推断出的缺陷深度信息为理解缺陷的严重程度提供了关键数据，有助于后续的补偿和处理。深度信息可以更精确地定位缺陷的位置和性质，便于采取相应的修复或处理措施。通过深度信息，工程师或检测系统可以更好地判断缺陷的处理优先级，从而优化资源配置。通过对缺失的深度信息进行补偿，可以优化缺陷区域的图像特征，使得后续分析更为准确。补偿后获得的特征数据将更完整，提高了后续缺陷检测的准确性和可靠性。优化后的数据有助于减少由于深度信息不足而引发的误报和漏报现象。通过透视变换，可以从不同角度观察缺陷区域，提高缺陷可视化效果，有助于将缺陷区域图像标准化，使得后续处理和分析更为一致。透视变换后的图像能够更方便地进行比较，帮助识别不同缺陷的特征和模式。通过对实际缺陷图像集进行模式识别，可以实现自动化和智能化的缺陷检测，降低人工干预的需要。快速、准确的缺陷模式识别能够提升整个检测流程的效率，从而加快生产线的节奏。识别出的线路板缺陷模式数据为质量控制和改进提供了重要依据，能够帮助企业制定更为有效的改进措施。[0062]步骤S421:对缺陷特征描述子进行主成分降维，从而获得主成分缺陷特征描述子；[0063]步骤S422:对主成分缺陷特征描述子进行布局缺陷描述子特征选择，从而获得布局缺陷特征描述子；[0064]步骤S423:对层级功能模块缺陷图像集进行图像纹理连贯性评估，从而获得图像纹理连贯性数据，并根据图像纹理连贯性数据对层级功能模块缺陷图像集进行深度信息缺失区域聚类，从而获得深度信息缺失图像；[0065]步骤S424:对布局缺陷特征描述子以及深度信息缺失图像进行缺陷深度信息关联，从而获得缺陷-深度关联数据；[0066]步骤S425:基于历史线路板布局缺陷图像集以及缺陷-深度关联数据进行卷积神经网络深度推断模型构建，从而获得布局缺陷深度推断模型；[0067]步骤S426:通过布局缺陷深度推断模型对缺陷特征描述子进行布局缺陷深度信息推断，从而获得缺陷深度信息数据。[0068]本发明通过对缺陷特征描述子的主成分降维，可以将高维数据简化为低维空间中的主要成分。这种降维不仅有助于消除冗余特征，还能提高后续分析的计算效率，降低模型的复杂度。结果是获得主成分缺陷特征描述子，这些描述子保留了最重要的信息，有助于更准确地进行缺陷分类和识别。对主成分缺陷特征描述子进行布局缺陷描述子特征选择，可以进一步优化特征集，确保只有与布局缺陷相关的特征被保留，这一过程减少了噪声，增强了模型的泛化能力，有助于提高检测准确率。最终得到的布局缺陷特征描述子更加集中于与实际缺陷特征相关的信息。通过对层级功能模块缺陷图像集进行图像纹理连贯性评估，能够定量分析图像的纹理特征，这一评估有助于识别图像中深度信息缺失的区域，为后续的缺陷分析提供依据。通过聚类分析，获取的深度信息缺失图像为后续处理提供了明确的目标，有助于集中资源进行缺陷修复或改进。在布局缺陷特征描述子和深度信息缺失图像之间进行缺陷-深度信息关联，有助于建立更加全面的缺陷描述体系，使得缺陷特征与其在深度信息上的表现相结合，有利于更好地理解缺陷的性质和影响，从而为后续的改进措施提供指导。基于历史线路板布局缺陷图像集以及缺陷-深度关联数据构建卷积神经网络(CNN)深度推断模型，是实现自动化检测的重要一步。此模型能够通过学习历史数据中的模式，进行高效的缺陷检测与分类，从而提高整体检测效率和准确性。此外，深度推断模型能够自我优化，通过迭代学习不断提高性能。通过布局缺陷深度推断模型对缺陷特征描述子进行深度信息推断，最终获得缺陷深度信息数据，这一过程使得对缺陷的定量分析成为可能，为后续的决策提供数据支持，有助于优化生产过程，减少缺陷率。深度信息数据可以直接应用于生产监控、质量控制及缺陷修复策略的制定。[0069]可选地，本说明书还提供一种印刷线路板缺陷识别的深度学习系统，用于执行如上所述的印刷线路板缺陷识别的深度学习方法，该印刷线路板缺陷识别的深度学习系统包[0070]图像质量增强模块，用于获取印刷线路板原始图像集，并对印刷线路板原始图像集进行线路板背景清理，从而获得线路板主体图像集；对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集；[0071]功能模块识别模块，用于对线路板主体增强图像集进行线路板多层主体层级整合，从而获得线路板主体层级整合图像集，并对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集；[0072]功能模块缺陷检测模块，用于基于线路板层级功能模块图像集进行层级功能模块缺陷检测，从而获得层级功能模块缺陷图像集，并基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据；[0073]深度信息缺失校正模块，用于基于缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行线路板深度信息缺失校正，从而获得层级功能模块实际缺陷图像集；根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据；[0074]线路板缺陷识别模块，用于基于线路板缺陷模式数据进行缺陷模式特征提取，从而获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行深度学习分类器构建，从而获得印刷线路板缺陷识别模型。[0075]本发明的印刷线路板缺陷识别的深度学习系统，该系统能够实现本发明任意一种印刷线路板缺陷识别的深度学习方法，用于联合各个模块之间的操作与信号传输的媒介，以完成印刷线路板缺陷识别的深度学习方法，系统内部模块互相协作，从而提高缺陷识别的效率。附图说明[0076]通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特[0077]图1为本发明印刷线路板缺陷识别的深度学习方法的步骤流程示意图；[0078]图2为本发明中步骤S1的详细步骤流程示意图；[0079]图3为本发明中步骤S2的详细步骤流程示意图；[0080]本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0081]下面结合附图对本发明的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范[0082]此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语更多所列出的相关联项目的任意和所有组合。[0084]为实现上述目的，请参阅图1至图3,本发明提供了一种印刷线路板缺陷识别的深[0085]步骤S1:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行线路板背景清理，从而获得线路板主体图像集；对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集；[0086]本实施例中，在获取印刷线路板原始图像集的过程中，可以使用高分辨率相机拍摄线路板图像，确保捕捉到的细节丰富。接下来，通过图像处理技术如图像滤波和边缘检着，应用图像增强算法，例如直方图均衡化和局部对比度增强，提升线路板主体的可视化质量，使得线路板的元器件等细节更清晰可见。这一步骤的目标是将处理后的线路板主体图像用于后续的分析。[0087]步骤S2:对线路板主体增强图像集进行线路板多层主体层级整合，从而获得线路板主体层级整合图像集，并对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集；[0088]本实施例中，对于线路板主体增强图像集，通过构建多层卷积神经网络(CNN),实现多层主体的层级整合，以更好地提取线路板不同功能模块之间的关系。这个整合过程可以采用特定的层级结构，比如使用特征图融合算法，合并不同卷积层输出的特征，形成一个更为集中的层级特征集。在功能模块识别阶段，利用已标注的图像进行训练，使模型能够识别出线路板上的各种功能模块，并输出包含模块标签的图像集，通过增加不同模块的样本数据来提升模型准确率。[0089]步骤S3:基于线路板层级功能模块图像集进行层级功能模块缺陷检测，从而获得层级功能模块缺陷图像集，并基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据；[0090]本实施例中，基于线路板层级功能模块图像集，可以利用计算机视觉中的缺陷检测算法(如YOLO或FasterR-CNN)进行层级功能模块的缺陷检测，检测到的缺陷会聚集成层级功能模块缺陷图像集。之后，在缺陷区域图像中使用卷积神经网络(CNN)提取多层次特征，这可以通过构建特定层级的卷积结构实现，以提取局部及全局特征，形成缺陷区域图像的层次化特征数据，进一步增强检测精度。[0091]步骤S4:基于缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行线路板深度信息缺失校正，从而获得层级功能模块实际缺陷图像集；根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据；[0092]本实施例中，使用层次化特征数据执行线路板深度信息缺失校正，可以采用主成分分析(PCA)或自编码器技术，通过学习未缺失数据特征，对缺失部分进行补全。校正后的数据形成层级功能模块实际缺陷图像集，然后应用边缘检测和轮廓分析技术，对缺陷模式进行分类和标记，最终输出线路板缺陷模式数据，以便针对不同类型缺陷设计特定的修复方案。[0093]步骤S5:基于线路板缺陷模式数据进行缺陷模式特征提取，从而获得缺陷模式特征向量集，并根据缺陷模式特征向量集进行深度学习分类器构建，从而获得印刷线路板缺陷识别模型。[0094]本实施例中，在缺陷模式特征提取过程中，应用深度学习算法生成缺陷模式特征向量集，通过卷积神经网络或长短期记忆网络(LSTM)对提取特征进行学习。通过训练，构建深度学习分类器，此模型可以识别线路板中不同的缺陷类型，今后对新图像进行推断时，可以使用该模型进行实时缺陷检测和分类。最终，可以将分类器部署于线路板生产线，实现自动缺陷检测，以提高生产效率和产品质量。[0096]步骤S11:获取印刷线路板原始图像集，并对印刷线路板原始图像集进行灰度图像[0097]本实施例中，使用高分辨率相机拍摄印刷线路板的多个视角，确保图像清晰度达到600DPI以上，以捕获线路板的细节。灰度化处理转换为灰度图像，使用公式Y=0.299R+0.587G+0.114*B来计算每个像素的亮度值。最终输出的灰度线路板图像集将包括所有转换后的灰度图像，供后续步骤使用。[0098]步骤S12:对灰度线路板图像集进行像素灰度值统计，从而获得图像像素灰度值数据，并根据图像像素灰度值数据进行低频灰度值统计，从而获得低频像素灰度值数据；[0099]本实施例中，对每幅灰度图像进行统计分析。使用Python编程语言和NumPy库读取灰度图像数据，计算每个灰度值(0-255)的像素数量。还需根据得到的灰度值histogram进行筛选，统计低频灰度值(例如，低于128的灰度值),并生成相应的数据集，以便后续处理。这样的统计可以帮助识别图像中的暗区域或低对比度区域，并为后续灰度处理提供依[0100]步骤S13:根据低频像素灰度值数据对灰度线路板图像集进行低频像素灰度值区域图像清理，从而获得线路板前景图像集；[0101]本实施例中，依据获得的低频灰度值数据，通过图像阈值化技术，以确定低频灰度区域。具体采用Otsu算法自动计算一个合适的阈值，并将低频区域的像素设为背景，进而实现图像的清理。处理后，得到的线路板前景图像集将仅包含高频信息部分，去除了噪声和背[0102]步骤S14:对线路板前景图像集进行形态学边缘平滑，从而获得线路板主体图像[0103]本实施例中，应用形态学方法对前景图像进行处理。具体采用膨胀和腐蚀操作，使用3x3的结构元素来平滑边缘。首先，通过腐蚀操作去掉前景图像中小的噪音点，然后紧接着应用膨胀操作恢复物体边界，去除细小的断裂。最终输出的线路板主体图像集将呈现较为清晰的边缘，有利于后续的质量增强处理。[0104]步骤S15:对线路板主体图像集进行线路板图像质量增强，从而获得线路板主体增强图像集。[0105]本实施例中，采用图像增强技术提高线路板主体图像的视觉效果。具体使用直方图均衡化处理，增强图像对比度，同时结合锐化滤波器(如拉普拉斯滤波器)进一步提高边路板主体增强图像集具有更高的视效质量，适合用作进一步分析或生产检测。[0107]步骤S151:对线路板主体图像集进行RGB图像格式转换，从而获得线路板主体转换图像集，并对线路板主体转换图像集进行颜色通道分离，从而获得颜色通道分离图像集；[0108]本实施例中，将原始线路板主体图像集从灰度格式转换为RGB格式，这意味着将每个图像的颜色模式调整为红、绿、蓝三个通道。可以使用OpenCV或PIL库通过调用相应的函数实现图像格式转换。还需考虑图像的分辨率和尺寸，以确保转换后的图像保持高质量。完成后，进行颜色通道分离，可以使用NumPy数组将每个图像拆分为三个单独的通道，分别提[0109]步骤S152:对颜色通道分离图像集进行全通道自适应直方图均衡化，从而获得增强颜色通道分离图像集；[0110]本实施例中，对获得的颜色通道分离图像集进行全通道自适应直方图均衡化(CLAHE)。此技术可以增强图像的对比度，特别是在低对比度区域。通过CLAHE函数，可以对每个分离的颜色通道进行局部直方图均衡化，参数设置上可考虑每个小块的大小(例如8x8或16x16像素),以及对比度限制，以防止过度增强。操作完成后，将获得每个通道在视觉效果上都更明显的图像集。[0111]步骤S153:对增强颜色通道分离图像集进行颜色通道合并，从而获得线路板增强图像集；[0112]本实施例中，经过处理后的增强颜色通道分离图像集接下来要进行颜色通道合并。可以使用OpenCV或者PIL的图像操作函数.将增强后的红、绿、蓝通道重新组合成一个新的彩色图像。在此过程中需确保通道顺序的一致性，以避免颜色出现偏差。最终得到的线路板增强图像集应当在整体视觉效果上比原始图像更加清晰和具有层次感。[0113]步骤S154:根据线路板增强图像集进行线路板结构特征增强，从而获得线路板板件增强图像集以及线路板组件增强图像集；[0114]本实施例中，根据线路板增强图像集进行线路板结构特征增强。可以应用边缘检测算法(例如Canny或者Sobel算子)来提取板件和组件的边缘信息。此外，还可以施加形态学操作(如膨胀和腐蚀),以更好地突出结构特征。通过分析图像中的特征，生成两组增强调色板件和组件特征的新图像集，这一过程可以通过自定义函数来实现，并利用特定参数调整算法的敏感度。[0115]步骤S155:对线路板板件增强图像集以及线路板组件增强图像集进行线路板图像空间合并，从而获得线路板主体增强图像集。[0116]本实施例中，对线路板板件增强图像集与线路板组件增强图像集进行线路板图像空间合并。通过将两个增强图像集进行像素级别的合并，例如使用加权平均或最大化方法，可以更好地保留有用的信息。合并后得到的线路板主体增强图像集将综合前面的所有增强处理结果，生成一个在细节和结构上更加完备的图像。可以通过可视化工具对最终的增强效果进行评估，并根据需要进一步调整合并策略。[0118]步骤S1541:根据线路板增强图像集进行图像像素值统计，从而获得高频图像像素值数据以及低频图像像素值数据；[0119]本实施例中，通过采集和分析线路板增强图像集中的所有图像数据，首先需要对图像进行预处理，如去噪声、标准化等，以提升后续像素值统计的准确性。利用图像处理算法(如直方图分析),统计各个像素的亮度和颜色分布，尤其是高频和低频像素值数据。高频像素值通常代表图像中的细节部分(如线路和焊点),而低频像素值则主要代表大型平面区域(如PCB基板的背景)。为相应分离这两种信息，可以设定阈值，例如将高频像素值定义为大于某一亮度值的像素，而低频像素值为小于该值的像素。最终结果是高频图像像素值数据和低频图像像素值数据的统计结果，用于后续的区域划分。[0120]步骤S1542:根据高频图像像素值数据对线路板增强图像集进行高频图像像素值区域图像划分，从而获得板件区域图像集；根据低频图像像素值数据对线路板增强图像集进行低频图像像素值区域图像划分，从而获得组件区域图像集；[0121]本实施例中，利用已获得的高频图像像素值数据，对线路板增强图像集进行区域划分。通过设定高频区域的阈值，将图像中主要包含高频细节的部分提取出来，形成板件区域图像集。这可以通过轮廓检测算法(如Canny边缘检测)来实现，确保提取的区域具有良好的边界定义。同样，根据低频图像像素值数据，使用平滑滤波技术(如均值滤波或高斯滤波)来识别和提取组件区域，得到组件区域图像集。对于每个区域图像集，采用区域增长法来进一步优化区域轮廓的连通性，从而确保区域划分的准确性和完整性，为后续增强处理做准[0122]步骤S1543:对板件区域图像集进行板件结构细节锐化滤波处理，从而获得线路板板件增强图像集；对组件区域图像集进行组件结构细节平滑轮廓增强，从而获得线路板组件增强图像集。Masking或Laplacian滤波)来增强线路板的结构细节。此过程通过对输入图像进行两次模糊处理并相减，以突出细节部分。该操作的关键参数(如锐化程度)根据具体线路板的特点进行调节，以防过度锐化导致细节失真。同时，对于组件区域图像集，应用平滑轮廓增强技术，例如形态学闭合处理，来消除噪声并平滑组件边缘。通过细致调节结构元素的大小和形状，可以确保增强后的图像在保持原有形状特征的同时，视觉效果明显提升。最后，生成的两个增强图像集将用于后续的分析和检测，提升线路板故障诊断的准确性和效率。[0124]可选地，步骤S2具体为：[0125]步骤S21:对线路板主体增强图像集进行线路板主体结构相似度计算，从而获得线路板主体结构相似度数据；[0126]本实施例中，首先需要对线路板主体增强图像集进行处理。可以使用深度学习中的卷积神经网络(CNN)模型提取每张图像的特征向量。采用余弦相似度计算或欧氏距离等方法来量化图像之间的结构相似度。例如，利用预训练的ResNet网络对线路板图像进行特征提取，得到128维的特征向量，随后计算任意两张图像之间的相似度，生成相似度矩阵。[0127]步骤S22:根据线路板主体结构相似度数据对线路板主体增强图像集进行线路板主体结构聚类，从而获得线路板主体结构聚类图像集；[0128]本实施例中，根据获得的相似度数据，采用聚类算法(如K-means、DBSCAN或层次聚类)对线路板主体结构进行分组。选择适当的聚类数(k值),如基于肘部法则确定k=5,然后将线路板图像按相似度分为5个聚类。每个聚类中包含结构相似的线路板图像，可以通过可视化(如t-SNE)展示聚类结果。[0129]步骤S23:对线路板主体结构聚类图像集进行聚类结构模式识别，从而获得聚类结构模式数据，并根据聚类结构模式数据进行线路板结构层级定义，从而获得聚类结构层级数据；[0130]本实施例中，对聚类后的图像进行模式识别，采用行列检测、形状分析等技术，识别不同的聚类结构模式。可引入模式识别算法，如HOG(方向梯度直方图)特征提取和支持向量机(SVM)的分类方法，定义出的模式可以是“分层型”、“交错型”等，为每种模的结构层级。例如，识别到的“分层型”线路板可以被定义为从高到低共有三层结构。[0131]步骤S24:根据聚类结构层级数据对线路板主体结构聚类图像集进行多层线路板层级图像整合，从而获得线路板主体层级整合图像集；[0132]本实施例中，基于得到的聚类结构层级数据，进行图像整合。通过图像拼接技术，将同一层级的线路板图像进行合成，生成一个多层次的线路板图像集。可使用OpenCV库中的图像拼接功能，设置融合参数，如透明度，确保不同层次之间的连接自然流畅。例如，将归类到“常见”层级的线路板图像进行合并，形成包含该层级所有特征的整合图。[0133]步骤S25:对线路板主体层级整合图像集进行线路板功能模块识别，从而获得线路板层级功能模块图像集。[0134]本实施例中，在完成线路板主体层级整合图像集后，进行功能模块的识别。可使用卷积神经网络的分类功能，对整合后的图像进行功能性分析，以检测出电源模块、信号模块等功能节点。例如，训练一个深度学习模型来识别电源、放大器等模块，最终生成一个层级功能模块图像集，标注出每个识别到的模块及其位置，形成可视化的功能布局图。[0136]步骤S251:获取历史线路板功能模块结构数据，并对历史线路板功能模块结构数据进行模块组件特征提取，从而获得功能模块组件特征数据；[0137]本实施例中，利用计算机视觉算法从已存储且已定义的线路板图像中提取功能模块结构数据。通过深度学习模型，对每个模块的形状、尺寸及连接点进行特征提取，利用卷积神经网络(CNN)识别模块组件的特征，形成一个包含组件特征的数据库，例如保存每个模[0138]步骤S252:对线路板主体层级整合图像集进行层级线路板结构整合，从而获得层级布线结构数据以及层级组件结构数据；[0139]本实施例中，使用图像处理技术，如边缘检测和图像分割，对线路板主体的层级结构进行整合。将不同层级的组件进行组合，通过生成图像金字塔来提升不同分辨率下的结构识别精度，并生成层级布线结构的数据集，记录各层级的布线及组件信息。[0140]步骤S253:根据层级布线结构数据进行布线密集度统计，从而获得层级布线密集度数据，并根据层级布线密集度数据对层级布线结构数据进行层级密集布线区域划分，从而获得高密集度布线区域数据；[0141]本实施例中，根据整合后的层级布线结构，使用点密度统计方法计算每个区域的输入聚类算法，划分出高密集度布线区域，比如将布线密度高于设定阈值的区域标记为高密集度区域。[0142]步骤S254:根据层级组件结构数据进行层级组件连通关系分析，从而获得层级组件连通数据，并根据层级组件连通数据进行高连通数量组件统计，从而获得高连通量组件[0143]本实施例中，采用图论中的连通性算法，对组件之间的连接关系进行分析。构建组件间连通图，统计每个组件的连通点数量，并识别出连通数量超过某一值的组件，如那些与其他五个或以上组件有连接的。这样形成一个高连通量组件列表，可为后续分析提供数据[0144]步骤S255:根据高连通量组件数据进行区域高连通量组件占比统计，从而获得高连通量组件高占比区域数据；[0145]本实施例中，利用统计学方法对高连通量组件进行占比分析，首先计算高连通量组件在整个组件中的比例。假设在100个组件中，有20个是高连通量组件，那么其占比为20%。该数据将用于评估特定区域对线路板整体性能的影响。[0146]步骤S256:对高连通量组件高占比区域数据以及高密集度布线区域数据进行区域交集运算，从而获得模块组件区域数据；[0147]本实施例中，通过空间数据分析技术，对高连通量组件高占比区域与高密集度布线区域进行交集运算。使用GIS(地理信息系统)软件，创建包含两者重叠部分的区域图，识别哪一部分组件和布线密集度最高，形成模块组件区域的数据图层。[0148]步骤S257:根据功能模块组件特征数据对模块组件区域数据进行功能模块识别，从而获得功能模块组件区域数据，并根据功能模块组件区域数据对线路板主体层级整合图像集进行功能模块区域划分，从而获得线路板层级功能模块图像集。[0149]本实施例中，通过机器学习算法，结合功能模块组件特征数据，对交集区域进行分析，识别特定功能模块。例如，根据已定义的功能模块特征，并且利用分类算法识别出某一特定形状的区域为电源模块，并实现自动标注。随后，在原始线路板图像上进行标注，生成新的功能模块区域图像集，为线路板设计提供依据。[0151]步骤S31:对线路板层级功能模块图像集进行层级功能模块组件布局特征提取，从而获得层级功能模块组件布局数据；[0152]本实施例中，利用图像处理算法对线路板的图像集进行处理，提取出每个功能模块的布局特征。可以采用边缘检测和区域分割技术，通过使用Canny算法来识别图像中的边缘，再结合图像轮廓提取技术，获得各模块的形状信息。接下来，使用机器学习模型(如卷积神经网络)来分类和识别这些模块，进而形成包含模块尺寸、位置、形例来说，若在某个电路板中检测到一组间距为2mm的电阻模块，系统将记录其位置坐标(x,y)及其大小特征。也可以将已经定义的线路板层级功能模块图像集中包含的层级功能模块[0153]步骤S32:根据层级功能模块组件布局数据进行组件传输距离估计，从而获得模块组件传输距离数据，并根据模块组件传输距离数据进行模块相对传输距离统计，从而获得高相对传输距离模块数据以及低相对传输距离模块数据；[0154]本实施例中，根据获得的模块布局数据，接下来计算各模块间的传输距离。具体可以利用几何距离公式(如欧几里得距离)对每一对模块进行计算，以评估相对传输距离。例如，如果模块A在位置(10,15)而模块B在(30,35),则可以计算出两者间的传输距离为相对传输距离(>5mm)和低相对传输距离(≤5mm)的模块，形成相应的数据集。[0155]步骤S33:对层级功能模块组件布局数据进行模块组件密集度估计，从而获得模块组件密集度数据，并根据模块组件密集度数据进行模块相对密集度统计，从而获得高组件密集度模块数据以及低组件密集度模块数据；[0156]本实施例中，对提取的布局数据进行模块组件密集度估计。可以通过计算单位面积内模块数量来确定密集度，例如在某一区域内，若有10个模块分布在1平方厘米内，则密集度为10个/cm²。然后，将密集度数据进行统计，设置高密集度(>15个/cm²)和低密集度(≤[0157]步骤S34:对高相对传输距离模块数据以及高组件密集度模块数据进行模块交集运算，从而获得缺陷功能模块数据；对低相对传输距离模块数据以及低组件密集度模块数据进行模块交集运算，从而获得正常功能模块数据；[0158]本实施例中，利用高相对传输距离模块和高组件密集度模块的数据进行交集运算，以识别潜在缺陷功能模块。可以通过集合运算(如Python中的set操作)实现，例如将高相对传输距离的模块ID与高组件密集度的模块ID进行交集操作。与此同时，对低相对传输距离模块与低组件密集度模块同样进行交集运算，识别正常功能模块。此过程的结果为缺陷和正常模块的具体列表。[0159]步骤S35:对正常功能模块数据以及缺陷功能模块数据进行层级空间合并，从而获得层级功能模块缺陷数据，并根据层级功能模块缺陷数据对线路板层级功能模块图像集进行缺陷模块图像集提取，从而获得层级功能模块缺陷图像集；[0160]本实施例中，将正常功能模块数据与缺陷功能模块数据进行层级空间合并。具体利用数据融合技术，采用加权平均法或主成分分析(PCA)来合并模块特征。在合并后，利用层级功能模块缺陷数据中包含的缺陷模块的空间位置，并通过前述的图像特征提取方法，对线路板图像集进行缺陷模块图像提取，以获得层级功能模块缺陷图像集。比如，从合并后的数据中提取到的缺陷模块会显示出图像中有明显的破损或焊点缺失。[0161]步骤S36:基于层级功能模块缺陷图像集进行缺陷区域层次化特征卷积提取，从而获得缺陷区域图像层次化特征数据。[0162]本实施例中，基于层级功能模块缺陷图像集，使用深度学习中的卷积神经网络(CNN)进行特征提取。可以采用预训练模型(如VGG16或ResNet)来提取缺陷区域的层次化特征，通过对每个缺陷图像进行卷积运算，获得多某模块的焊点缺陷，通过多层卷积的特征提取，可以分析出缺陷的形状、大小和位置等，形成详细的缺陷区域图像层次化特征数据。[0164]步骤S41:对缺陷区域图像层次化特征数据进行特征描述子构建，从而获得缺陷特[0165]本实施例中，从缺陷区域图像中提取层次化特征数据，可以使用卷积神经网络学习框架(如TensorFlow或PyTorch)构建CNN模型，设计多个卷积层和池化层，以捕捉不同层次的特征。模型通过大量标注的缺陷图像进行训练，提取如纹理、形状和颜色等特征，最终生成缺陷特征描述子，表示每个缺陷的独特特征信息。[0166]步骤S42:对缺陷特征描述子进行缺陷深度信息推断，从而获得缺陷深度信息数[0167]本实施例中，应用深度学习技术对缺陷特征描述子进行深度信息推断。具体使用一个回归模型，例如长短期记忆网络(LSTM),输入缺陷特征描述子，通过训练数据学习到缺陷的深度信息。该模型需要通过标注的训练数据集，包含各种深度信息的缺陷实例进行训练，输出缺陷深度信息数据，例如缺陷的实际深度和与线路板表面之间的距离。通过计算损失函数来优化模型的准确性，确保深度信息推断的可靠性。[0168]步骤S43:根据缺陷深度信息数据对缺陷区域图像层次化特征数据进行缺失深度信息补偿，从而获得优化缺陷区域图像层次化特征数据；[0169]本实施例中，针对缺陷深度信息数据，对缺陷区域图像层次化特征数据进行补偿。具体采用插值算法(如双线性插值或三次样条插值)对缺陷区域的深度数据进行重构。在此基础上，结合缺陷特征描述子，使用深度补偿方法生成优化的缺陷区域特征数据。补偿的过程涉及利用已知深度值推测未测量区域的深度信息，确保最终生成的优化特征数据能更准确地反映缺陷的实际状态，从而提高后续分析的准确性。[0170]步骤S44:根据优化缺陷区域图像层次化特征数据对层级功能模块缺陷图像集进行缺陷区域透视变换，从而获得层级功能模块实际缺陷图像集；[0171]本实施例中，根据优化后的缺陷区域图像层次化特征数据，进行缺陷区域的透视变换。具体应用透视变换算法(如OpenCV中的cv2.warpPerspective),根据已知的缺陷特征描述子和深度信息计算变换矩阵。通过输入缺陷区域图像和变换矩阵，生成实际缺陷图像集，保持缺陷在空间中的相对位置和形态，便于后续分析与处理。[0172]步骤S45:根据层级功能模块实际缺陷图像集进行线路板缺陷模式识别，从而获得线路板缺陷模式数据。[0173]本实施例中，利用层级功能模块的实际缺陷图像集进行线路板缺陷模式识别。具体使用分类算法(如支持向量机SVM或深度学习模型),对缺陷图像进行训练和测试。准备标注的缺陷图像数据集，包括各种常见的线路板缺陷类型，如短路、开路和焊点缺陷等。通过提取图像特征(如边缘、形状和纹理),输入分类模型进行学习，并通过验证集调整模型参数。最终，通过该模型对新的缺陷图像进行识别，获得线路板缺陷模式数据，以便进行后续处理和决策支持。[0175]步骤S421:对缺陷特征描述子进行主成分降维，从而获得主成分缺陷特征描述子；[0176]本实施例中，从原始的缺陷特征描述子中提取数据。以一个PCB(印刷电路板)样本为例，原始特征包括缺陷的大小、形状、颜色分布等。使用主进行降维。具体实施时，可以通过Python的sklearn.