基于深度学习的电子元件焊点缺陷检测方法

提出一种用于训练掩模区域卷积神经网络（Mask R-CNN）的半自动生成焊点图像掩模的方法。由于传统的通过人工标注获取掩模的方法费时费力，提出了一种简便快捷的基于GrabCut获取图像掩模的方法。该方法由两个阶段组成：第一阶段为基于GrabCut的焊点图像分割，输出像素级分割结果，从而获得所输入图像掩模；第二阶段实现基于Mask R-CNN的焊点表面缺陷检测方法，可以实现对缺陷的定位、分类和分割。试验结果证实了该方法的有效性，在保证Mask R-CNN方法检测精度的前提下，能快速、简单地获取训练Mask R-CNN所需的焊点掩模。