基于改进YOLOv5s模型的印刷电路板缺陷检测方法技术

本发明专利技术涉及一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法，属于印刷电路板缺陷检测领域。该方法包括：获取选择印刷电路板缺陷数据集；改进YOLOv5s网络结构的Backbone部分，在中小目标特征提取层嵌入CA注意力机制；改进YOLOv5s网络结构的Neck部分，在特征融合层嵌入CBAM卷积注意力机制；使用Alpha

【技术实现步骤摘要】
基于改进YOLOv5s模型的印刷电路板缺陷检测方法


[0001]本专利技术属于印刷电路板缺陷检测领域，涉及一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法。

技术介绍

[0002]印刷电路板是各种电子设备必不可少的组成元件，随着半导体技术的发展，印刷电路板设计工艺越来越复杂，层数越来越多，电路板的加工水平也越来越精细，生产过程具有极高的要求，但是印刷电路板在生产过程中受很多外界因素的影响，例如温度、生产设备的质量、电路板原材料、人为疏忽等，因此在生产过程中出现各种电路板缺陷是十分常见的情况，常见的电路板缺陷有：短路，断路，毛刺，缺损等，如果不能够在生产过程中及时的找出这些生产缺陷，那么在后期使用的过程中，势必会造成更大的损失。所以，在印刷电路板的生产过程中进行质量监控是一项必不可少的任务，也是一项极大的挑战，各个印刷电路板的生产厂家不断地为了提高生产质量，减少生产废品率进行努力，因此在生产过程中进行及时，高效，准确地定位电路板缺陷，提高生产率，是十分重要的一项任务。
[0003]目前，对于印刷电路板检测大致可以分为传统的检测方法和基于深度学习的目标检测方法。传统的PCB缺陷检测主要分为接触式和非接触式，接触式缺陷检测主要有针床式和飞针式检测。针床式检测设计对检测的电路板特定的针床进行诊断，但这会导致不同的电路板都需要设计对应的针床，并且针床的设计和制作也需要很长的时间和成本。飞针式检测使用探针对电路板进行检测，飞针式检测相对于针床式检测更加简单高效，其中所需的编程步骤也很简单，但是飞针预先测试需要很长的时间，并且在检测过程中采用物理的方式和电路板进行接触，这有可能会给电路板造成新的缺陷，并且这种方式仅适合小尺寸电路板。非接触式检测方法在检测过程中不需要和电路板直接进行物理接触，这避免了在检测过程中由于接触破坏电路板，近年来，一种名为Automatic Optical Inspection system(AOI系统)发展起来，它的基本流程是利用摄像头对电路板进行扫描，然后把扫描后的图片和没有缺陷的电路板图片进行对比，从而发现缺陷。但是这种方法容易受光线影响，在明暗不明显的地方容易出现误判的情况，并且AOI系统相对比较昂贵，一些规模较小的电路板生产厂家可能无法负担它的价格。
[0004]相对于传统的检测方法，基于深度学习的目标检测方法能够根据电路板图片自动学习出缺陷的特征，简化了传统方法中前期需要大量人工预处理的工作，深度神经网络具有很强的学习能力，它通过多层卷积的方式，把低层特征组合成为更加抽象的高层特征，能够发现图片中潜在的语义信息，最后直接得到目标的类别和位置，深度学习模型也具有很好的泛化能力和鲁棒性，它的这些特点提高了印刷电路板缺陷检测的效率和准确率。基于深度学习的目标检测算法分为基于区域卷积的两阶段目标检测算法和基于回归的单阶段目标检测算法。两阶段目标检测算法主要有R
‑
CNN，Fast R
‑
CNN，Faster R
‑
CNN等，两阶段目标检测算法识别精度相对较高，但其检测过程分两步进行，所以检测速度较慢，无法很好的进行实时性检测。单阶段目标检测算法主要有YOLO(You Only Look Once)，YOLO9000，
YOLOv3，YOLOv4，YOLOv5等，单阶段目标检测算法的核心是把目标检测问题当作一个回归问题来看待，也就是直接回归出所有边界框的位置和所有可能的类别，所以单阶段目标检测算法效率和检测速度相对较高，但是目前的单阶段目标检测算法识别精度相对较低，无法满足实际印刷电路板的检测要求。因此，本专利技术对YOLOv5模型进行优化改进，提高它的检测精度。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法，用于提高检测印刷电路板上各种缺陷的精度。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法，具体包括以下步骤：
[0008]S1：获取选择印刷电路板(Printed Circuit Board，PCB)缺陷数据集；
[0009]S2：构建改进的YOLOv5s网络模型，具体包括：
[0010]S21：改进YOLOv5s网络结构的Backbone部分，在中小目标特征提取层嵌入CA(CoordAttention)注意力机制，使得模型可以获得缺陷目标更加丰富的特征信息；
[0011]S22：改进YOLOv5s网络结构的Neck部分，在特征融合层嵌入CBAM(Convolutional Block Attention Module)卷积注意力机制，使得模型可以进一步融合缺陷特征，得到缺陷目标更加丰富的语义信息；
[0012]S23：使用Alpha
‑
CIOU损失函数代替原始YOLOv5s模型的CIOU损失函数；
[0013]S3：加入YOLOv5s的预训练权重，对改进后的YOLOv5s网络模型进行训练；
[0014]S4：随机选择缺陷数据集中的缺陷图片，使用训练好的改进后的YOLOv5s网络模型进行检测，输出待检测缺陷目标的位置信息，类别信息以及置信度数值。
[0015]进一步，步骤S2中，所述CA注意力机制是把通道注意力机制分为两个一维特征编码过程，一个沿着空间方向捕获远程依赖关系，同时还沿着另一个空间方向保留位置信息，然后把生成的特征图分别进行编码形成一对方向感知和位置敏感的特征图(attention map)，可以把它们互补的应用到输入特征图，以增强关注对象的表示。
[0016]进一步，步骤S22中，所述CBAM卷积注意力机制包括空间注意力(SAM)机制和通道注意力(CAM)机制，具体工作过程为：
[0017][0018][0019]其中，表示元素逐个相乘，M
c
表示通道注意力机制生成的特征图，F
′
表示和原始输入的特征图相乘得到的特征图，M
s
表示通过空间注意力机制生成的特征图，F
″
表示和F
′
相乘得到的特征图。
[0020]进一步，步骤S23中，使用Alpha
‑
CIOU损失函数代替YOLOv5s原始的CIOU损失函数，Alpha
‑
CIOU是C
‑
IOU的幂化形式，相较于原CIOU的计算公式，Alpha
‑
CIOU在CIOU的平方部分使用了alpha进行代替，，其他参数和CIOU并无区别。
[0021]Alpha
‑
CIOU损失函数的表达式为：
[0022][0023]其中，表示Alpha
‑
CIOU损失；IoU表示交并比，它用来反映预测框与真实框的检测效果；α表示幂次；ρ表示两个中心点的欧氏距离；b表示预测框的中心点；b
gt
表示真实框的中心点；c表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法，其特征在于，该方法具体包括以下步骤：S1：获取选择印刷电路板缺陷数据集；S2：构建改进的YOLOv5s网络模型，具体包括：S21：改进YOLOv5s网络结构的Backbone部分，在中小目标特征提取层嵌入CA注意力机制；S22：改进YOLOv5s网络结构的Neck部分，在特征融合层嵌入CBAM卷积注意力机制；S23：使用Alpha
‑
CIOU损失函数代替原始YOLOv5s模型的CIOU损失函数；S3：加入YOLOv5s的预训练权重，对改进后的YOLOv5s网络模型进行训练；S4：随机选择缺陷数据集中的缺陷图片，使用训练好的改进后的YOLOv5s网络模型进行检测。2.根据权利要求1所述的印刷电路板缺陷检测方法，其特征在于，步骤S2中，所述CA注意力机制是把通道注意力机制分为两个一维特征编码过程，一个沿着空间方向捕获远程依赖关系，同时还沿着另一个空间方向保留位置信息，然后把生成的特征图分别进行编码形成一对方向感知和位置敏感的特征图。3.根据权利要求1所述的印刷电路板缺陷检测方法，其特征在于，步骤S22中，所述CBAM卷积注意力机制包括空间注意力机制和通道注意力机制，具体工作过程为：具体工作过程为：其中，表示元素逐个相乘，M

【专利技术属性】
技术研发人员：陈炫睿，周应华，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：