基于改进YOLOv5s的印刷电路板缺陷检测方法技术

本发明专利技术公开了基于改进YOLOv5s的印刷电路板缺陷检测方法，包括：建立YOLOv5s算法的网络结构，在原有的三种检测尺度上再进行一次上采样添加小目标检测尺度；在网络模型末端用Transformer模块来替代CSP模块；建立基于改进YOLOv5s算法的PCB表面缺陷检测模型；根据PCB表面缺陷样本数据集，对基于改进YOLOv5s算法的PCB表面缺陷检测模型进行多尺度训练；将待检测PCB的图像输入预先训练好的基于改进YOLOv5s算法的PCB表面缺陷检测模型，输出待检测PCB表面缺陷的位置信息，本发明专利技术在一定程度上快速有效地检测出PCB缺陷，具有一定的先进性和实用性。性和实用性。性和实用性。

Defect detection method of printed circuit board based on improved yolov5s

【技术实现步骤摘要】
基于改进YOLOv5s的印刷电路板缺陷检测方法


[0001]本专利技术属于缺陷检测
，具体涉及一种基于改进YOLOv5s的印刷电路板缺陷检测方法。

技术介绍

[0002]随着信息技术的不断迭代更新，电子设备的生产规模与集成度也逐步提高，而几乎每种电子设备，只要出现集成电路，为了各个元件的电气互联，那么就都要使用印刷电路板(Printed Circuit Board，PCB)。印刷电路板制造作为众多领域的基础产业，其生产质量也关乎各电子设备的质量，在生产规模也逐年递增的同时，提高印刷电路板的质量也具有很高的现实意义。传统的PCB缺陷检测大多为人目检测，伴随着检测效率低、检测速度慢、漏检率高等问题。
[0003]近年来计算机运算速度的不断提升和高质量图像采集设备的普及使得PCB缺陷检测技术进一步提高，在传统PCB缺陷检测中融入深度学习技术是当前研究的发展趋势之一，备受研究者的关注。目前，已有针对PCB不同形态缺陷图像检测任务的相关研究，但运用深度学习的方式却较少，因此需要研究基于深度学习的PCB图像缺陷检测方法，进而提高了PCB缺陷检测的检测精度和检测速度。

技术实现思路

[0004]本专利技术的目的是提供基于改进YOLOv5s的印刷电路板缺陷检测方法，解决了目前基于深度学习的PCB图像缺陷的检测方法中存在的，精准度和检测效率有待进一步提高的问题。
[0005]本专利技术所采用的技术方案是，
[0006]基于改进YOLOv5s的印刷电路板缺陷检测方法，具体包括以下步骤：/>[0007]步骤1：获取PCB图像，对PCB缺陷图像进行分类和标注；
[0008]步骤2：对获取的PCB图像进行裁剪、数据增强；
[0009]步骤3：针对YOLOv5s模型对小目标缺陷检测效果差的问题进行改进，基于YOLOv5s模型建立适合PCB小目标缺陷图像检测的PCBNet；
[0010]步骤4：图像训练；利用所构建的训练样本集和验证样本集，对PCBNet进行训练并验证模型性能；
[0011]步骤5：图像测试；使用改进后的PCBNet权重文件对测试集PCB图像进行检测，分析检测结果。
[0012]本专利技术的特点还在于；
[0013]步骤1具体包括：
[0014]1.1：在PCB生产线配备高清线阵相机，当PCB通过触发传感器，启动成像设备后对PCB图像进行拍摄，获取高清线阵图像，对PCB缺陷图像剥离背景；
[0015]1.2：在步骤1.1中对整理好的缺陷图像，利用LalbelImg工具，对数据集进行人工
标注并生成xml格式的标签文件。
[0016]步骤2具体包括：
[0017]2.1：在拍摄的图像当中挑选含有PCB缺陷的图像；
[0018]2.2：将含有缺陷的PCB图像裁剪成640
×
640的大小；
[0019]2.3：对裁剪后的PCB图像采用改变亮度、翻转、随机裁剪、位移和添加高斯噪声的方式进行数据增强，以9:1的比例把数据增强后的PCB数据集分为训练集和验证集。
[0020]的步骤3具体包括：
[0021]PCB缺陷实时检测模型PCBNet包括：输入端、骨干网络、Transformer模块、Neck、Head；其中，骨干网络为CSPDarknet53，其包含了Focus、CBL、SPP、BottleNeckCSP模块；Neck部分采用了FPN+PAN的网络结构；
[0022]针对YOLOv5s模型对小目标缺陷检测效果差的问题进行改进，建立适合PCB小目标缺陷图像检测的改进型YOLOv5s模型；增加一个感受野更小的检测头，在640
×
640的输入图片上，通过4倍、8倍、16倍和32倍下采样得到160
×
160、80
×
80、40
×
40、20
×
20大小的预测特征层构建一个新的具有四个检测尺度的网络结构；将Transformer模块放置在网络结构末端来替换YOLOv5s网络结构末端的BottleneckCSP模块。
[0023]步骤4具体包括：
[0024]4.1：PCB缺陷图片从输入部分输入，输入部分采用了Mosaic:数据增强、自适应锚框计算和图片尺寸处理的预处理方式；骨干网络Focus模块将输入进行复制与切片操作；再经过一个大小为3
×
3卷积核来改变网络的通道数；通过Batch_Norm层，将梯度集中在原点附近，实现结果归一化；最后用LeakyRelu激活函数输入结果到下一层卷积BottleNeckCSP；
[0025]BottleNeckCSP残差结构能优化梯度信息，同时降低计算量，首先输入会被分成两部分，一部分先进行n次BottleNeck操作，再进行卷积操作，另一部分直接进行卷积操作，然后两部分再经过Concat拼接后输出至空间金字塔池化SPP；
[0026]在空间金字塔池化SPP中，先进行Conv提取特征输出，再经过四种不同尺度的最大池化进行多尺度融合；
[0027]4.2：最后在骨干网络末端特征图分别率较低的位置上经过Transformer模块，首先输入向量在计算之前通过增加一个线性层进行位置编码来减少在Reshape时引起的部分位置信息的丢失，query向量Q、key向量K、value向量V都是输入向量I通过不同的线性变换得到的，表示如下公式(1)：
[0028][0029]其中，为第h个I到Q的线性变换，为第h个I到K的线性变换，为第h个I到V的线性变换。得到了三个关键向量之后，再送入自注意机制当中，每一个head都是特征和信息的子空间，表示如下公式(2)：
[0030][0031]其中，d
k
是Q
h
和K
h
点积的方差，用于缓解softmax出现梯度消失的问题。再经过多头注意力机制(Multi
‑
head self
‑
attention)对由输入向量I得到多个自注意力的head进行特征融合和线性变换，表示如下公式(3)：
[0032]MultiHead(Q,K,V)＝Concat(head1,head2,...,head
h
)W
out
ꢀꢀꢀ
(3)；
[0033]其中，Concat为特征融合操作，W
out
是线性变换矩阵，head
h
表示第h个自注意力的计算结果，再经过多头注意力机制后的两次线性变换，就能获得更关注于PCB缺陷本身的特征图；
[0034]4.3：将得到的更关注于PCB缺陷的特征图送入到Neck部分，将深层特征与浅层特征进行拼接，再传递到Head；
[0035]4.4：Head部分以GIoU作为Bounding box的损失函数，用于生成图像中预测的缺陷位置和分类信息，包含着四种不同的检测尺度，对应预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOv5s的印刷电路板缺陷检测方法，其特征在于，具体包括以下步骤：步骤1：获取PCB图像，对PCB缺陷图像进行分类和标注；步骤2：对获取的PCB图像进行裁剪、数据增强；步骤3：针对YOLOv5s模型对小目标缺陷检测效果差的问题进行改进，基于YOLOv5s模型建立适合PCB小目标缺陷图像检测的PCBNet；步骤4：图像训练；利用所构建的训练样本集和验证样本集，对PCBNet进行训练并验证模型性能；步骤5：图像测试；使用改进后的PCBNet权重文件对测试集PCB图像进行检测，分析检测结果。2.根据权利要求1所述的基于改进YOLOv5s的印刷电路板缺陷检测方法，其特征在于，所述步骤1具体包括：1.1：在PCB生产线配备高清线阵相机，当PCB通过触发传感器，启动成像设备后对PCB图像进行拍摄，获取高清线阵图像，对PCB缺陷图像剥离背景；1.2：在步骤1.1中对整理好的缺陷图像，利用LalbelImg工具，对数据集进行人工标注并生成xml格式的标签文件。3.根据权利要求1所述的基于改进YOLOv5s的印刷电路板缺陷检测方法，其特征在于，所述步骤2具体包括：2.1：在拍摄的图像当中挑选含有PCB缺陷的图像；2.2：将含有缺陷的PCB图像裁剪成640
×
640的大小；2.3：对裁剪后的PCB图像采用改变亮度、翻转、随机裁剪、位移和添加高斯噪声的方式进行数据增强，以9:1的比例把数据增强后的PCB数据集分为训练集和验证集。4.根据权利要求1所述的基于改进YOLOv5s的印刷电路板缺陷检测方法，其特征在于，所述的步骤3具体包括：PCB缺陷实时检测模型PCBNet包括：输入端、骨干网络、Transformer模块、Neck、Head；其中，骨干网络为CSPDarknet53，其包含了Focus、CBL、SPP、BottleNeckCSP模块；Neck部分采用了FPN+PAN的网络结构；针对YOLOv5s模型对小目标缺陷检测效果差的问题进行改进，建立适合PCB小目标缺陷图像检测的改进型YOLOv5s模型；增加一个感受野更小的检测头，在640
×
640的输入图片上，通过4倍、8倍、16倍和32倍下采样得到160
×
160、80
×
80、40
×
40、20
×
20大小的预测特征层构建一个新的具有四个检测尺度的网络结构；将Transformer模块放置在网络结构末端来替换YOLOv5s网络结构末端的BottleneckCSP模块。5.根据权利要求1所述的基于改进YOLOv5s的印刷电路板缺陷检测方法，其特征在于，所述的步骤4具体包括：4.1：PCB缺陷图片从输入部分输入，输入部分采用了Mosaic:数据增强、自适应锚框计算和图片尺寸处理的预处理方式；骨干网络Focu...

【专利技术属性】
技术研发人员：张开生，关凯凯，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：