CN115439720B - Cam图像的重构方法、训练方法、装置、设备及介质 - Google Patents

Cam图像的重构方法、训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN115439720B
CN115439720B CN202211388848.7A CN202211388848A CN115439720B CN 115439720 B CN115439720 B CN 115439720B CN 202211388848 A CN202211388848 A CN 202211388848A CN 115439720 B CN115439720 B CN 115439720B
Authority
CN
China
Prior art keywords
image
cam
vrs
sample set
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211388848.7A
Other languages
English (en)
Other versions
CN115439720A (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Shulian Cloud Computing Technology Co ltd
Original Assignee
Chengdu Shulian Cloud Computing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Shulian Cloud Computing Technology Co ltd filed Critical Chengdu Shulian Cloud Computing Technology Co ltd
Priority to CN202211388848.7A priority Critical patent/CN115439720B/zh
Publication of CN115439720A publication Critical patent/CN115439720A/zh
Application granted granted Critical
Publication of CN115439720B publication Critical patent/CN115439720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种CAM图像的重构方法、训练方法、装置、设备及介质，旨在解决现有印刷电路板CAM图与实际的印刷电路板VRS图差异较大的技术问题，涉及电路板图像处理领域。所述CAM图像的重构方法，包括以下步骤：获取目标电路板的CAM初始图像；将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。

Description

CAM图像的重构方法、训练方法、装置、设备及介质
技术领域
本申请涉及电路板图像处理领域，尤其涉及CAM图像的重构方法、训练方法、装置、设备及介质。
背景技术
PCB（Printed Circuit Board，印刷电路板）通常在生产制造时是按照提前设计好的CAM（computer Aided Manufacturing，计算机辅助制造）图进行加工，但受限于工厂的工艺水准和制程设计，在实际生产时所依据的印刷电路板CAM图往往与实际的印刷电路板VRS（VirtualReScan, 虚拟重扫技术）图差异较大，从而造成后续PCB缺陷识别率较低。
发明内容
本申请的主要目的是提供一种CAM图像的重构方法、训练方法、装置、设备及介质，旨在解决现有印刷电路板CAM图与实际的印刷电路板VRS图差异较大的技术问题。
为解决上述技术问题，本申请实施例提出了：一种CAM图像的重构方法，包括以下步骤：
获取目标电路板的CAM初始图像；
将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；
其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。
作为本申请一些可选实施方式，所述CAM图像与VRS图像的匹配分数与预设匹配分数一致。
在具体应用中，通过根据实际需求对预设匹配分数进行设置，可进一步降低所述CAM图像重构模型输出的CAM图像与所述VRS图像之间的差异。
作为本申请一些可选实施方式，在将所述CAM初始图像输入至所述CAM图像重构模型中，以输出CAM图像之前，还包括：
获取若干电路板的CAM图像和VRS图像；
利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像；
基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
在具体应用中，在将所述CAM图像重构模型投入实际应用之前，需对其进行特殊训练，即将所述CAM图像和所述VRS图像进行模板匹配处理之后获得的CAM样本图像和VRS目标生成图像分别作为输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练，获得的CAM图像重构模型能够将CAM样本图像进行模型重构，与VRS目标生成图像几乎无差异的CAM图像。
作为本申请一些可选实施方式，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像，包括：
利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；
基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像。
在具体应用中，通过将所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，并基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像；可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：
将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；
将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。
在具体应用中，在将所述CAM图像和所述VRS图像进行模板匹配处理时，可能会遇到多个相似目标区域，可以对上述多个相似目标区域进行匹配分数计算后，选取相似度最高的相似目标区域作为最终的目标区域；以在实际应用中，提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：
基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；
基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。
在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取，以获得同一目标区域对应的CAM图像和VRS图像，分别作为CAM样本图像和VRS目标生成图像，从而在实际应用中，可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。
在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取后，获得的CAM样本图像和VRS目标生成图像面积相同，等于所述目标区域的面积；从而可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：
构建初始生成式对抗网络模型；
利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；
计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。
在具体应用中，对所述CAM图像重构模型进行训练时，通过预设所述CAMb1图像与所述生成样本集中的VRS1图像的目标匹配分数，使得所述CAM图像重构模型输出的CAMb1图像和VRS1图像差异度降低到预设值后停止训练，从而使得所述CAM图像重构模型在实际应用时，降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
作为本申请一些可选实施方式，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 732066DEST_PATH_IMAGE001
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
在具体应用中，通过上述公式对所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数进行计算，以进一步降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
为解决上述技术问题，本申请实施例还提出了：一种CAM图像重构模型的训练方法，包括以下步骤：
获取若干电路板的CAM图像和VRS图像；
利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像；
基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
在具体应用中，通过上述方法对所述CAM图像重构模型进行训练，即将所述CAM图像和所述VRS图像进行模板匹配处理之后获得的CAM样本图像和VRS目标生成图像分别作为输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练，获得的CAM图像重构模型能够将CAM样本图像进行模型重构，与VRS目标生成图像几乎无差异的CAM图像。
作为本申请一些可选实施方式，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像，包括：
利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；
基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像。
在具体应用中，通过将所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，并基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像；可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：
将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；
将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。
在具体应用中，在将所述CAM图像和所述VRS图像进行模板匹配处理时，可能会遇到多个相似目标区域，可以对上述多个相似目标区域进行匹配分数计算后，选取相似度最高的相似目标区域作为最终的目标区域；以在实际应用中，提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：
基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；
基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。
在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取，以获得同一目标区域对应的CAM图像和VRS图像，分别作为CAM样本图像和VRS目标生成图像，从而在实际应用中，可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。
在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取后，获得的CAM样本图像和VRS目标生成图像面积相同，等于所述目标区域的面积；从而可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
作为本申请一些可选实施方式，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：
构建初始生成式对抗网络模型；
利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；
计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。
在具体应用中，对所述CAM图像重构模型进行训练时，通过预设所述CAMb1图像与所述生成样本集中的VRS1图像的目标匹配分数，使得所述CAM图像重构模型输出的CAMb1图像和VRS1图像差异度降低到预设值后停止训练，从而使得所述CAM图像重构模型在实际应用时，降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
作为本申请一些可选实施方式，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 930966DEST_PATH_IMAGE002
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
在具体应用中，通过上述公式对所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数进行计算，以进一步降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
为解决上述技术问题，本申请实施例还提出了：一种CAM图像的重构装置，包括：
绘制模块，用于绘制目标电路板的CAM初始图像；
输出模块，用于将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。
为解决上述技术问题，本申请实施例还提出了：一种CAM图像重构模型的训练装置，包括：
获取模块，用于获取若干电路板的CAM图像和VRS图像；
模板匹配模块，用于利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像；
收集模块，用于基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
训练模块，用于利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
为解决上述技术问题，本申请实施例还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。
为解决上述技术问题，本申请实施例还提出了：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的方法。
与现有技术相比，本申请实施例所述CAM图像的重构方法，在获取目标电路板的CAM初始图像之后，将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。可以看出，本申请实施例首先通过输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练获得CAM图像重构模型，使得所述CAM图像重构模型在投入实际应用时，能将输入的CAM初始图像进行重构后输出获得CAM图像，所述CAM图像通过模型重构能无限接近所述CAM初始图像对应PCB的VRS目标生成图像，进而降低了CAM图像与对应PCB的VRS目标生成图像之间的差异，进而提高了后续流程中对PCB的缺陷识别率。
附图说明
图1是本申请的实施例涉及的硬件运行环境的电子设备结构示意图；
图2是本申请的实施例提供的一种CAM图像的重构方法的流程示意图；
图3是本申请的实施例所述的CAM初始图像示意图；
图4是本申请的实施例所述的CAM图像示意图；
图5是本申请的实施例所述的VRS目标生成图像；
图6是本申请的实施例所述一种CAM图像重构模型的训练方法的流程示意图；
图7是本申请的实施例所述若干匹配分数1和所述若干匹配分数2的分布图；
图8是本申请的实施例提供的一种CAM图像的重构装置的功能模块示意图；
图9是本申请的实施例提供的一种CAM图像重构模型的训练装置的功能模块示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：提供一种CAM图像的重构方法、训练方法、装置、设备及介质，通过获取目标电路板的CAM初始图像；将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。
由于在现有技术中，PCB通常在生产制造时是按照提前设计好的CAM图进行加工，但受限于工厂的工艺水准和制程设计，在实际生产时所依据的印刷电路板CAM图往往与实际的印刷电路板VRS图差异较大，如真实生产获得的PCB虽然符合CAM图像所设计的各种功能需求，但却在电路走线、线宽、pad大小等要素上与CAM图像存在明显差异，这些差异在后续AOI（Automated Optical Inspection，自动光学检测）、ADC（Analog-to-DigitalConverter，模/数转换器或者模拟/数字转换器）等智能化缺陷检测***对PCB产品进行自动缺陷识别时，造成识别效率低等技术问题。如果对PCB产品上的缺陷无法识别，极易在将PCB产品投入实际应用时出现线路相连、短路，导致整块PCB板报废等故障。因此，如果在生产制造PCB产品之前，就能降低CAM图与VRS图之间的差异，那么就可以大大提高后续AOI、ADC等智能化缺陷检测***对PCB产品的缺陷部位自动识别效率。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的CAM图像的重构装置和CAM图像重构模型的训练装置，并执行本申请实施例提供的CAM图像的重构方法和CAM图像重构模型的训练方法。
参照图2，本申请的实施例提供了一种CAM图像的重构方法，包括以下步骤：
S10、获取目标电路板的CAM初始图像。
在具体应用中，所述目标电路板是指需要检测是否具有缺陷的电路板，所述CAM初始图像是指根据对目标电路板的各种功能需求，通过计算机辅助制造的图像。
S20、将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像。
在具体应用中，将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像。以某一具体印刷电路板为例进行举例说明，如将如图3所示的CAM初始图像输入至训练获得的CAM图像重构模型中，以输出如图4所示的CAM图像，该电路板的VRS目标生成图像如图5所示；可以看出，通过模型重构处理后获得的CAM图像与VRS图像相似度极高，几乎无差异。
在具体应用中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。
作为本申请一些可选实施方式，所述CAM图像与VRS图像的匹配分数与预设匹配分数一致。
在具体应用中，在对所述CAM图像重构模型进行训练之前，对所述输入样本集和生成样本集进行筛选处理，即通过将同一电路板的CAM图像和VRS图像进行模板匹配处理后获得一一对应的CAM样本图像和VRS目标生成图像，从而训练所述CAM图像重构模型在训练过程中不断缩小其输出的CAM图像与VRS图像之间的差异。
作为本申请一些可选实施方式，在将所述CAM初始图像输入至所述CAM图像重构模型中，以输出CAM图像之前，还包括：
S01、获取若干电路板的CAM图像和VRS图像。
在具体应用中，所述CAM图像是指根据对目标电路板的各种功能需求，通过计算机辅助制造的图像；所述VRS图像是指通过Kofax的虚拟重扫技术(VirtualReScan, VRS)对扫描的图像进行电子化的检测后获得的VRS图像，所述VRS图像可为黑白图像或原始VRS图像为彩色图像，但为了方便后续与所述CAM图像重构模型所输出的CAM图像进行匹配度计算，可将所述彩色原始VRS图像转换为黑白图像；如利用OPENCV对图像进行二值化处理，将图像转化为仅取0和255两个像素值的黑白图。
S02、利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像。
在具体应用中，上述步骤包括：利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像。通过上述步骤可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。在实际操作时，在将所述CAM图像和所述VRS图像进行模板匹配处理时，可能会遇到多个相似目标区域，可以对上述多个相似目标区域进行匹配分数计算后，选取相似度最高的相似目标区域作为最终的目标区域；以在实际应用中，提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。在实际操作中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取，以获得同一目标区域对应的CAM图像和VRS图像，分别作为CAM样本图像和VRS目标生成图像，从而在实际应用中，可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，将所述CAM图像和所述VRS图像通过模板处理获得相似度最高的相似目标区域后，将对应区域作为目标区域，可将所述目标区域进行坐标标注，并基于所述坐标对应的像素点进行裁切，获得所述CAM样本图像和VRS目标生成图像。
需要说明的是，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取后，获得的CAM样本图像和VRS目标生成图像面积相同，等于所述目标区域的面积；从而可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
S03、基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集。
在具体应用中，所述输入样本集中的CAM样本图像和所述生成样本集中的VRS目标生成图像为一一对应关系；以便在每轮训练结束后对所述CAM图像重构模型输出的CAM图像与对应的VRS目标生成图像进行匹配分数计算，以判断是否结束训练。
S04、利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
在具体应用中，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：构建初始生成式对抗网络模型；利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。在对所述CAM图像重构模型进行训练时，通过预设所述CAMb1图像与所述生成样本集中的VRS1图像的目标匹配分数，使得所述CAM图像重构模型输出的CAMb1图像和VRS1图像差异度降低到预设值后停止训练，从而使得所述CAM图像重构模型在实际应用时，降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
其中，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 537528DEST_PATH_IMAGE003
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
在具体应用中，通过上述公式对所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数进行计算，以进一步降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。所述预设匹配分数代表了所述CAMb1图像与所述VRS1图像的匹配度，在本实施例中，所述预设匹配分数可以根据需要进行设置，也可以通过历史数据得出；例如，根据历史数据中，匹配分数达到多少，可以保证后续AOI、ADC等智能化缺陷检测***对PCB产品的自动缺陷识别率，来设置预设匹配分数。应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
在具体应用中，在将所述CAM图像重构模型投入实际应用之前，需对其进行特殊训练，即将所述CAM图像和所述VRS图像进行模板匹配处理之后获得的CAM样本图像和VRS目标生成图像分别作为输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练，获得的CAM图像重构模型能够将CAM样本图像进行模型重构，与VRS目标生成图像几乎无差异的CAM图像。
与现有技术相比，本申请实施例所述CAM图像的重构方法，在获取目标电路板的CAM初始图像之后，将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。可以看出，本申请实施例首先通过输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练获得CAM图像重构模型，使得所述CAM图像重构模型在投入实际应用时，能将输入的CAM初始图像进行重构后输出获得CAM图像，所述CAM图像通过模型重构能无限接近所述CAM初始图像对应PCB的VRS目标生成图像，进而降低了CAM图像与对应PCB的VRS目标生成图像之间的差异，进而提高了后续流程中对PCB的缺陷识别率。
基于同样的发明思路，如图6所示，本申请实施例还提出了：一种CAM图像重构模型的训练方法，包括以下步骤：
S21、获取若干电路板的CAM图像和VRS图像。
在具体应用中，所述CAM图像是指根据对目标电路板的各种功能需求，通过计算机辅助制造的图像；所述VRS图像是指通过Kofax的虚拟重扫技术(VirtualReScan, VRS)对扫描的图像进行电子化的检测后获得的VRS图像，所述VRS图像可为黑白图像或原始VRS图像为彩色图像，但为了方便后续与所述CAM图像重构模型所输出的CAM图像进行匹配度计算，可将所述彩色原始VRS图像转换为黑白图像；如利用OPENCV对图像进行二值化处理，将图像转化为仅取0和255两个像素值的黑白图。
S22、利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像。
在具体应用中，上述步骤包括：利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像。通过上述步骤可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。在实际操作时，在将所述CAM图像和所述VRS图像进行模板匹配处理时，可能会遇到多个相似目标区域，可以对上述多个相似目标区域进行匹配分数计算后，选取相似度最高的相似目标区域作为最终的目标区域；以在实际应用中，提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。在实际操作中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取，以获得同一目标区域对应的CAM图像和VRS图像，分别作为CAM样本图像和VRS目标生成图像，从而在实际应用中，可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
在具体应用中，将所述CAM图像和所述VRS图像通过模板处理获得相似度最高的相似目标区域后，将对应区域作为目标区域，可将所述目标区域进行坐标标注，并基于所述坐标对应的像素点进行裁切，获得所述CAM样本图像和VRS目标生成图像。
需要说明的是，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。在具体应用中，基于所述目标区域，将所述CAM图像和所述VRS图像进行相同目标区域裁取后，获得的CAM样本图像和VRS目标生成图像面积相同，等于所述目标区域的面积；从而可使得所述CAM样本图像和VRS目标生成图像之间形成一一对应的图片对，从而提高所述CAM图像重构模型对所述CAM初始图像的重构效率。
S23、基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集。
在具体应用中，所述输入样本集中的CAM样本图像和所述生成样本集中的VRS目标生成图像为一一对应关系；以便在每轮训练结束后对所述CAM图像重构模型输出的CAM图像与对应的VRS目标生成图像进行匹配分数计算，以判断是否结束训练。
S24、利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
在具体应用中，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：构建初始生成式对抗网络模型；利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。在对所述CAM图像重构模型进行训练时，通过预设所述CAMb1图像与所述生成样本集中的VRS1图像的目标匹配分数，使得所述CAM图像重构模型输出的CAMb1图像和VRS1图像差异度降低到预设值后停止训练，从而使得所述CAM图像重构模型在实际应用时，降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。
其中，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 530892DEST_PATH_IMAGE004
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
在具体应用中，通过上述公式对所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数进行计算，以进一步降低所述CAM图像重构模型输出的CAMb1图像与所述生成样本集中的VRS1图像之间的差异。所述预设匹配分数代表了所述CAMb1图像与所述VRS1图像的匹配度，在本实施例中，所述预设匹配分数可以根据需要进行设置，也可以通过历史数据得出；例如，根据历史数据中，匹配分数达到多少，可以保证后续AOI、ADC等智能化缺陷检测***对PCB产品的自动缺陷识别率，来设置预设匹配分数。应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
在具体应用中，在将所述CAM图像重构模型投入实际应用之前，需对其进行特殊训练，即将所述CAM图像和所述VRS图像进行模板匹配处理之后获得的CAM样本图像和VRS目标生成图像分别作为输入样本集和生成样本集对构建的初始生成式对抗网络模型进行训练，获得的CAM图像重构模型能够将CAM样本图像进行模型重构，与VRS目标生成图像几乎无差异的CAM图像。
为了验证通过上述方法训练获得的CAM图像重构模型所输出的CAM图像与所述VRS目标生成图像之间差异性是否得到明显降低，即验证所述CAM图像重构模型的有效性，本申请分别将CAM初始图像与VRS目标生成图像进行模板匹配分数计算，获得匹配分数1；以及将模型重构后输出的CAM图像与VRS目标生成图像进行模板匹配分数计算，获得匹配分数2。基于若干电路板，获得若干对CAM初始图像-CAM图像-VRS目标生成图像的图像对，基于若干对CAM初始图像-CAM图像-VRS目标生成图像的图像对，获得若干匹配分数1和若干匹配分数2；基于所述若干匹配分数1和所述若干匹配分数2获得匹配分数分布图，如图7所示，图中X轴代表匹配分数大小，y轴代表在当前匹配分数下的分布数量，明显可以看到右侧分布图的中位数都在0.97左右，明显大于左侧分布。因此从图7可以看出，通过本申请所述CAM图像重构模型输出的CAM图像与VRS目标生成图像的匹配度得到了较大的提升，也就是说，本申请所述CAM图像重构模型对降低所述CAM图像与VRS目标生成图像之间的差异是有效的。
基于同样的发明思路，如图8所示，本申请实施例还提出了：一种CAM图像的重构装置，包括：
绘制模块，用于绘制目标电路板的CAM初始图像；
输出模块，用于将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理获得。
需要说明的是，本实施例中CAM图像的重构装置中各模块是与前述实施例中的CAM图像的重构方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述CAM图像的重构方法的实施方式，这里不再赘述。
基于同样的发明思路，如图9所示，本申请实施例还提出了：一种CAM图像重构模型的训练装置，包括：
获取模块，用于获取若干电路板的CAM图像和VRS图像；
模板匹配模块，用于利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像；
收集模块，用于基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
训练模块，用于利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
需要说明的是，本实施例中CAM图像重构模型的训练装置中各模块是与前述实施例中的CAM图像重构模型的训练方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述CAM图像重构模型的训练方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请的实施例还提供一种计算机程序产品，所述计算机程序产品在被处理器时，实现前述的方法。
此外，在一种实施例中，本申请的实施例还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件***中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (18)

1.一种CAM图像的重构方法，其特征在于，包括以下步骤：
获取目标电路板的CAM初始图像；
将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；
其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，并基于所述目标区域，分别获得。
2.根据权利要求1所述CAM图像的重构方法，其特征在于，所述CAM图像与VRS图像的匹配分数与预设匹配分数一致。
3.根据权利要求1所述CAM图像的重构方法，其特征在于，在将所述CAM初始图像输入至所述CAM图像重构模型中，以输出CAM图像之前，还包括：
获取若干电路板的CAM图像和VRS图像；
利用所述CAM图像和所述VRS图像进行模板匹配处理，分别获得CAM样本图像和VRS目标生成图像；
基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
4.根据权利要求1所述CAM图像的重构方法，其特征在于，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：
将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；
将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。
5.根据权利要求1所述CAM图像的重构方法，其特征在于，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：
基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；
基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。
6.根据权利要求5所述CAM图像的重构方法，其特征在于，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。
7.根据权利要求3所述CAM图像的重构方法，其特征在于，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：
构建初始生成式对抗网络模型；
利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；
计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。
8.根据权利要求7所述CAM图像的重构方法，其特征在于，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 608983DEST_PATH_IMAGE001
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
9.一种CAM图像重构模型的训练方法，其特征在于，包括以下步骤：
获取若干电路板的CAM图像和VRS图像；
利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像；
基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
10.根据权利要求9所述CAM图像重构模型的训练方法，其特征在于，所述利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，包括：
将所述CAM图像重叠放置于所述VRS图像上方，并通过滑动所述CAM图像，获得所述CAM图像和所述VRS图像的相似目标区域；
将若干所述相似目标区域进行相似度对比，选取相似度最高的相似目标区域，作为最终的目标区域。
11.根据权利要求9所述CAM图像重构模型的训练方法，其特征在于，所述基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像，包括：
基于所述目标区域，将所述CAM图像中对应所述目标区域的图像区域进行裁取，获得CAM样本图像；
基于所述目标区域，将所述VRS图像中对应所述目标区域的图像区域进行裁取，获得VRS目标生成图像。
12.根据权利要求11所述CAM图像重构模型的训练方法，其特征在于，所述VRS目标生成图像和所述CAM样本图像的面积相同，且等于所述目标区域的面积。
13.根据权利要求9所述CAM图像重构模型的训练方法，其特征在于，所述利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型，包括：
构建初始生成式对抗网络模型；
利用所述输入样本集和所述生成样本集对所述初始生成式对抗网络模型进行训练；在训练过程中，将所述输入样本集中的CAMa1样本图像输入所述初始生成式对抗网络模型后，所述初始生成式对抗网络模型生成输出CAMb1图像；
计算所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数，直至所述匹配分数达到预设匹配分数时，停止训练，获得CAM图像重构模型。
14.根据权利要求13所述CAM图像重构模型的训练方法，其特征在于，所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数通过如下关系式获得：
Figure 318707DEST_PATH_IMAGE001
其中：所述R（x,y）表示所述CAMb1图像与所述生成样本集中的VRS1图像的匹配分数；所述T（x’,y’）为VRS1图像的坐标信息；所述I（x+x’,y+y’）为CAMa1样本图像的坐标信息；所述（x，y）是CAM图像中目标区域点的坐标信息，（x'，y'）是VRS图像中目标区域点的坐标信息。
15.一种CAM图像的重构装置，其特征在于，包括：
绘制模块，用于绘制目标电路板的CAM初始图像；
输出模块，用于将所述CAM初始图像输入至训练获得的CAM图像重构模型中，以输出CAM图像；其中，所述CAM图像重构模型通过利用输入样本集和生成样本集对构建的初始生成式对抗网络模型训练获得；所述输入样本集基于若干CAM样本图像获得；所述生成样本集基于若干VRS目标生成图像获得；所述CAM样本图像和所述VRS目标生成图像通过利用同一电路板的CAM图像和VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域，并基于所述目标区域，分别获得。
16.一种CAM图像重构模型的训练装置，其特征在于，包括：
获取模块，用于获取若干电路板的CAM图像和VRS图像；
模板匹配模块，用于利用所述CAM图像和所述VRS图像进行模板匹配处理，获得所述CAM图像和所述VRS图像相匹配的目标区域；基于所述目标区域，分别获得CAM样本图像和VRS目标生成图像；
收集模块，用于基于若干所述CAM样本图像，获得输入样本集；基于若干所述VRS目标生成图像，获得生成样本集；
训练模块，用于利用所述输入样本集和所述生成样本集对构建的初始生成式对抗网络模型进行训练，获得CAM图像重构模型。
17.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-14中任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-14中任一项所述的方法。
CN202211388848.7A 2022-11-08 2022-11-08 Cam图像的重构方法、训练方法、装置、设备及介质 Active CN115439720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211388848.7A CN115439720B (zh) 2022-11-08 2022-11-08 Cam图像的重构方法、训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211388848.7A CN115439720B (zh) 2022-11-08 2022-11-08 Cam图像的重构方法、训练方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115439720A CN115439720A (zh) 2022-12-06
CN115439720B true CN115439720B (zh) 2023-01-24

Family

ID=84252614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211388848.7A Active CN115439720B (zh) 2022-11-08 2022-11-08 Cam图像的重构方法、训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115439720B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2075640U (zh) * 1990-08-09 1991-04-24 煤炭工业部重庆煤矿设计研究院 固定运输设备电子速度控制器
DE19722365A1 (de) * 1996-05-28 1997-12-04 Nat Semiconductor Corp Rekonfigurierbares Rechenbauelement
CN103631982A (zh) * 2013-07-11 2014-03-12 吉林化工学院 一种基于pro/e的逆向工程数字化模型重构方法
CN104769774A (zh) * 2012-04-04 2015-07-08 Hrl实验室有限责任公司 宽带电抗减少的天线阵列
CN107346061A (zh) * 2012-08-21 2017-11-14 Fotonation开曼有限公司 用于使用阵列照相机捕捉的图像中的视差检测和校正的***和方法
WO2020242987A1 (en) * 2019-05-24 2020-12-03 Apple Inc. 5g new radio load balancing and mobility robustness
WO2021045253A1 (ko) * 2019-09-04 2021-03-11 엘지전자 주식회사 무선 통신 시스템에서 차량과 통신하는 방법 및 이를 위한 사용자 단말

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202315049A (zh) * 2010-02-16 2023-04-01 凡 歐貝克 製造３ｄ半導體晶圓的方法
US20180168489A1 (en) * 2016-12-15 2018-06-21 Progenity Inc. Ingestible Device and Associated Methods
US10586310B2 (en) * 2017-04-06 2020-03-10 Pixar Denoising Monte Carlo renderings using generative adversarial neural networks
CN109461167B (zh) * 2018-11-02 2020-07-21 Oppo广东移动通信有限公司 图像处理模型的训练方法、抠图方法、装置、介质及终端
DE102021105291A1 (de) * 2020-03-16 2021-09-16 Nvidia Corporation Gewichtsdemodulation für ein erzeugendes neuronales netz
US20220012858A1 (en) * 2020-07-08 2022-01-13 Nvidia Corporation Image generation using one or more neural networks
US20220187841A1 (en) * 2020-12-10 2022-06-16 AI Incorporated Method of lightweight simultaneous localization and mapping performed on a real-time computing and battery operated wheeled device
CN114842275B (zh) * 2022-07-06 2023-04-07 成都数之联科技股份有限公司 电路板缺陷判别方法、训练方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2075640U (zh) * 1990-08-09 1991-04-24 煤炭工业部重庆煤矿设计研究院 固定运输设备电子速度控制器
DE19722365A1 (de) * 1996-05-28 1997-12-04 Nat Semiconductor Corp Rekonfigurierbares Rechenbauelement
CN104769774A (zh) * 2012-04-04 2015-07-08 Hrl实验室有限责任公司 宽带电抗减少的天线阵列
CN107346061A (zh) * 2012-08-21 2017-11-14 Fotonation开曼有限公司 用于使用阵列照相机捕捉的图像中的视差检测和校正的***和方法
CN103631982A (zh) * 2013-07-11 2014-03-12 吉林化工学院 一种基于pro/e的逆向工程数字化模型重构方法
WO2020242987A1 (en) * 2019-05-24 2020-12-03 Apple Inc. 5g new radio load balancing and mobility robustness
WO2021045253A1 (ko) * 2019-09-04 2021-03-11 엘지전자 주식회사 무선 통신 시스템에서 차량과 통신하는 방법 및 이를 위한 사용자 단말

Also Published As

Publication number Publication date
CN115439720A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN108334879B (zh) 一种区域提取方法、***及终端设备
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
CN110008917B (zh) 基于表格理解的继电保护装置定值单数据的故障检测方法
CN113870256B (zh) Pcb板缺陷评估方法、装置、设备及介质
CN116109631B (zh) 一种pcba虚焊缺陷检测方法、装置、设备和介质
CN109978964B (zh) 一种图像制作方法、装置、存储介质及终端设备
CN115239734A (zh) 模型训练方法、装置、存储介质、设备及计算机程序产品
CN114638824B (zh) 基于aoi设备采集图像的融合方法、装置、设备和介质
CN115861293A (zh) 缺陷轮廓提取方法、装置、存储介质、设备及程序产品
CN115861327A (zh) 一种pcb颜色变化缺陷检测方法、装置、设备及介质
CN116310744A (zh) 图像处理方法、装置、计算机可读介质及电子设备
CN115641512A (zh) 一种卫星遥感影像道路识别方法、装置、设备及介质
CN115439720B (zh) Cam图像的重构方法、训练方法、装置、设备及介质
CN114511696A (zh) 控件定位方法、装置、电子设备及可读存储介质
CN113033297B (zh) 实物编程方法、装置、设备及存储介质
CN115830599B (zh) 工业字符识别方法、模型训练方法、装置、设备和介质
CN117076997A (zh) 一种用户窃电检测方法及***
CN108268813B (zh) 一种车道偏离预警方法、装置及电子设备
CN116091503A (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN115661156A (zh) 图像生成方法、装置、存储介质、设备及计算机程序产品
CN117011532A (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN113379637A (zh) 基于递进学习策略的图像修复方法、***、介质及设备
CN113886745B (zh) 页面图片测试方法、装置及电子设备
CN112669267B (zh) 一种电路板缺陷检测方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant