【技术实现步骤摘要】
一种基于改进YOLOv5的轻量化PCB板缺陷检测方法
[0001]本专利技术涉及图像处理
,具体涉及一种基于改进YOLOv5的轻量化PCB板缺陷检测方法。
技术介绍
[0002]随着现代工业制造技术的发展,电子产品已经成为人们生活中不可或缺的一部分。在电子产品中,印制电路板(PCB)扮演着至关重要的角色。它们是电子产品的核心,通过连接电子元件和芯片,实现电路的运作。然而,在实际生产中,因受设备、环境及人工操作等因素影响,PCB会产生断路、短路、毛刺、鼠咬、余铜、漏孔等缺陷。这些缺陷可能导致电子产品性能的下降,甚至可能导致故障,因此对PCB板缺陷进行检测至关重要。
[0003]在过去,PCB缺陷检测通常是由人工完成的。这种方法费时费力,而且准确性不高。随着计算机视觉技术的进步,目标检测技术被应用到PCB缺陷检测中。目标检测是计算机视觉的一项技术,可以在图像中检测出特定对象的位置和大小。通过使用目标检测技术,可以快速准确地检测PCB板上的缺陷。
[0004]在目标检测技术中,深度学习模型已经成为主流方法。YOLO(You Only Look Once)是一种流行的目标检测模型,它使用卷积神经网络(CNN)来识别图像中的目标。YOLO具有快速检测速度和较高的准确性,在许多应用场景中都得到了广泛的应用。而YOLOv5的发布,进一步提高了YOLO的性能,成为目前最优秀的目标检测算法之一。YOLOv5采用了许多新的技术和优化策略,包括SPP(Spatial Pyramid Pooling,空间金字塔池化)模 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在于,包括:获取PCB板图像;改进YOLOv5模型;采用改进的YOLOv5模型检测PCB板的缺陷。2.根据权利要求1所述的一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在于,所述改进YOLOv5模型包括:改进YOLOv5模型的网络结构;优化YOLOv5模型的损失函数和激活函数。3.根据权利要求2所述的一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在于,所述改进YOLOv5模型的网络结构包括:将主干特征提取网络由CSPDarknet替换为轻量级网络ShuffleNetV2;其中ShuffleNetV2的基本组成单元是ShuffleUnit,分为ShuffleUnit1和ShuffleUnit2两种:ShuffleUnit1通过通道拆分将输入的通道拆分为两个分支,一个分支进行三次卷积操作;另一分支不进行任何处理,将两个分支的输出进行拼接,再进行通道混洗;ShuffleUnit2不进行通道拆分,而是拆分两个分支直接对输入PCB板图像进行卷积操作,在卷积操作结束之后使用拼接操作进行融合。4.根据权利要求2所述的一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在于,所述改进YOLOv5模型的网络结构包括:将SENet注意力机制结合到ShuffleNetV2网络的基本组成单元中;SENet注意力机制模块通过一个全局平均池化层,将每个通道的PCB板图像压缩为一个标量值,并通过两个全连接层将其转换为一个缩放因子;将缩放因子与原始PCB板图像相乘,产生加权PCB板图像。5.根据权利要求2所述的一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在于,所述改进YOLOv5模型的网络结构包括:将特征融合网络PANet改进为加权双向特征金字塔网络BiFPN;BiFPN采用的优化方法包括:跨尺度连接:删除只有一条输入边的节点,简化双向网络;若原始输入节点和输出节点处于同一层,则在原始输入节点和输出节点之间添加一条额外的边,以在不增加太多成本的情况下融合更多的特性;处理每个双向路径作为一个特征网络层,并多次重复同一层;加权特征融合:为每个输入添加额外的权重,对不同输入特征有区分的融合,其中,采用快速归一化融合的方法进行加权融合,计算公式如下:w
i
和w
j
是可学习的权重,I
i
是向量,其中w
i
≥0是通过在每个w
i
后应用ReLU来确保的,∈=0.0001是避免数值不稳定的小数值。6.根据权利要求2所述的一种基于改进YOLOv5的轻量化PCB板缺陷检测方法,其特征在
于,所述改进YOLOv5模型的网络结构包括:将空间金字塔池化由SPP改进为S...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。