基于改进Yolov5算法的PCB表面缺陷检测方法技术

本发明专利技术公开了一种基于改进Yolov5算法的PCB表面缺陷检测方法，包括以下步骤：建立yolov5网络；在yolov5网络中的anchors增加小目标检测和小目标检测网络结构层；将yolov5网络的主干网络中的最后一个C3层替换为Transformer编码器的C3TR；在yolov5网络的主干网络中的SPPF层前增加注意力机制模块CA；对模型进行训练，得到目标检测最优模型；利用最优模型进行目标检测，输出目标检测结果，并对检测结果进行评价。本发明专利技术有效地提高了PCB缺陷检测的精度，缩短了PCB缺陷检测的时间和提高检测效率，能够满足工业生产的需求。能够满足工业生产的需求。能够满足工业生产的需求。

【技术实现步骤摘要】
基于改进Yolov5算法的PCB表面缺陷检测方法


[0001]本专利技术涉及一种PCB表面缺陷的检测方法，特别涉及一种基于改进Yolov5算法的PCB表面缺陷检测方法。

技术介绍

[0002]如今电子产品已被广泛用于我们的日常生活中，如手机、电脑、电视等。PCB板作为电子产品的核心部件，PCB的质量将直接影响电子设备的性能，其质量检测是满足电子制造业日益增长的质量需求的关键。在实际生产过程中，由于工序流程比较复杂，每个流程受到人工、环境、设备等的影响都可能造成PCB表面缺陷，会产生短路、开路、缺口、毛刺、焊点、漏焊、余铜等缺陷。由于PCB生产过程中存在很多缺陷，为了保证其质量，必须在PCB的很多生产环节增加质量检测，因此PCB缺陷检测是工业生产过程中的重要环节，高效且快速的缺陷检测可以降低生产厂家的生产成本，也可提高PCB板的质量。
[0003]目前针对PCB检测的方法主要采用传统的人工检测方法，传统的检测技术需要人工在生产线上来完成PCB的缺陷检测，需要放大镜或显微镜来查看电路板上的各种缺陷，这种方法人工成本较高，效率较低，不能满足PCB检测的要求。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种算法简单、检测精度高的基于改进Yolov5算法的PCB表面缺陷检测方法。
[0005]本专利技术解决上述技术问题的技术方案是：一种基于改进Yolov5算法的PCB表面缺陷检测方法，包括以下步骤：
[0006]步骤1：获取公开的数据集，然后对PCB图像和标签进行数据预处理，建立yolov5网络；
[0007]步骤2：在建立的yolov5网络中的锚框anchors中增加小目标检测框和小目标检测网络结构层；
[0008]步骤3：将yolov5网络的主干网络中的最后一个C3层替换为Transformer编码器的C3TR，C3TR为3个Transformer编码器的残差结构，对yolov5网络进行编码；
[0009]步骤4：在yolov5网络的主干网络中的最后一层的SPPF层的前一层增加注意力机制模块CA，得到融合了C3TR模块和CA的yolov5网络模型；
[0010]步骤5：把PCB表面缺陷样本缩放至预设大小，然后送入融合了C3TR模块和CA的yolov5网络模型中进行训练，得到目标检测最优模型；
[0011]步骤6：利用步骤5的最优模型进行目标检测，输出目标检测结果，并对检测结果进行评价。
[0012]上述基于改进Yolov5算法的PCB表面缺陷检测方法，所述步骤1)中，yolov5网络包括骨干网络和检测头部，骨干网络作用是进行特征提取，检测头部包括两个部分，分别是neck和prediction；利用自顶向下和从下到上的连接方式FPN+PAN，对骨干网络提取到的特
征进行多尺度融合处理，再送入检测层。
[0013]上述基于改进Yolov5算法的PCB表面缺陷检测方法，所述步骤2)具体步骤为：
[0014]2‑
1)首先在初始anchors设置中增加一组较小的anchor；
[0015]2‑
2)接着在backbone网络中的第17层后，继续对特征图进行上采样处理，使得特征图继续扩大，同时在第20层时，将获取的特征图与网络骨干中的第二层特征图进行concat融合，以至于获得更大的特征图进行小目标检测；
[0016]2‑
3)最后在检测层增加小目标检测层，共使用四层[21,24,27,30]进行检测。
[0017]上述基于改进Yolov5算法的PCB表面缺陷检测方法，所述步骤3)中，Transformer编码器的结构包括两个模块：第1子层为多头注意力层multi
‑
head attention layer，第2子层为全连接层MLP，每个子层之间使用残差连接，其中层的归一化LayerNorm和Dropout是一种防止模型过拟合的技术，它的基本思想是在训练的时候随机的丢弃dropout一些神经元的激活，这样让模型更鲁棒，防止过拟合。
[0018]上述基于改进Yolov5算法的PCB表面缺陷检测方法，所述步骤4)中，CA旨在增强移动网络学习特征的表达能力，CA对yolov5网络中的任意的特征张量X进行转化变化后输出同样的尺寸的张量Y：
[0019]X＝[x1,x2,...,x
c
]∈R
H
×
W
×
C
[0020]Y＝[y1,y2...,y
c
]∈R
H
×
W
×
C
[0021]其中W表示宽度，H表示高度，C表示通道数，x
c
是与c通道相关的输入特征张量，y
c
与c通道相关的输出张量；
[0022]CA是为了获取图像宽度和高度的注意力并对精确的信息进行编码，首先在特征图宽度和高度方向进行全局平均池化，以此获得宽度和高度两个方向的特征图，公式为：
[0023][0024][0025]其中是高度为h的第c通道的输出，宽度为w的第c通道的输出，i和j分别是宽度和高度的取值范围；x
c
(h,i)表示给定输入X，沿着水平坐标对每个通道进行编码；x
c
(j,w)表示给定输入X，沿着垂直坐标对每个通道进行编码。
[0026]上述基于改进Yolov5算法的PCB表面缺陷检测方法，所述步骤6)中，利用mAP、准确率Precision、召回率Recall的实验结果体现出该算法的优越性，各评定指标计算公式如下：
[0027][0028][0029][0030]其中AP表示平均精度，TP表示真正例，FN表示假反例，FP表示假正例，TN表示真反例。
[0031]本专利技术的有益效果在于：本专利技术提出了一种基于改进Yolov5算法的PCB表面缺陷检测方法，首先根据原有Yolov5网络中的anchors增加一组小的目标检测anchor，并增加小的目标检测网络结构层；然后将yolov5网络的主干网络中的最后一个C3层替换为Transformer编码器的C3TR，对网络进行编码，提高yolov5网络的精度和性能；接着在yolov5网络的主干网络中的最后一层的SPPF层的前一层增加注意力机制模块CA，来增强移动网络学习特征提取的能力；最后对模型进行训练，进行目标检测输出检测结果，有效地提高了PCB缺陷检测的精度，缩短了PCB缺陷检测的时间和提高检测效率，能够满足工业生产的需求。
附图说明
[0032]图1为本专利技术的流程图。
[0033]图2为yolov5 6.0版本的网络结构图。
[0034]图3为Transform encoder block的示意图。
[0035]图4为C3TR与SE后的yolov5网络的backbone网络层图。
[0036]图5为CA注意力机制模块示意图。
具体实施方式
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Yolov5算法的PCB表面缺陷检测方法，其特征在于，包括以下步骤：步骤1：获取公开的数据集，然后对PCB图像和标签进行数据预处理，建立yolov5网络；步骤2：在建立的yolov5网络中的锚框anchors中增加小目标检测框和小目标检测网络结构层；步骤3：将yolov5网络的主干网络中的最后一个C3层替换为Transformer编码器的C3TR，C3TR为3个Transformer编码器的残差结构，对yolov5网络进行编码；步骤4：在yolov5网络的主干网络中的最后一层的SPPF层的前一层增加注意力机制模块CA，得到融合了C3TR模块和CA的yolov5网络模型；步骤5：把PCB表面缺陷样本缩放至预设大小，然后送入融合了C3TR模块和CA的yolov5网络模型中进行训练，得到目标检测最优模型；步骤6：利用步骤5的最优模型进行目标检测，输出目标检测结果，并对检测结果进行评价。2.根据权利要求1所述的基于改进Yolov5算法的PCB表面缺陷检测方法，其特征在于，所述步骤1)中，yolov5网络包括骨干网络和检测头部，骨干网络作用是进行特征提取，检测头部包括两个部分，分别是neck和prediction；利用自顶向下和从下到上的连接方式FPN+PAN，对骨干网络提取到的特征进行多尺度融合处理，再送入检测层。3.根据权利要求2所述的基于改进Yolov5算法的PCB表面缺陷检测方法，其特征在于，所述步骤2)具体步骤为：2
‑
1)首先在初始anchors设置中增加一组较小的anchor；2
‑
2)接着在backbone网络中的第17层后，继续对特征图进行上采样处理，使得特征图继续扩大，同时在第20层时，将获取的特征图与网络骨干中的第二层特征图进行concat融合，以至于获得更大的特征图进行小目标检测；2
‑
3)最后在检测层增加小目标检测层，共使用四层[21,24,27,30]进行检测。4.根据权利要求3所述的基于改进Yolov5算法的PCB表面缺陷检测方法，其特征在于，所述步骤3)中，Transformer编码器的结构包括...

【专利技术属性】
技术研发人员：陈祖国，李玉青，陈超洋，卢明，陈永伟，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：