一种基于改进YOLOv5的轻量化PCB板缺陷检测方法技术

本发明专利技术提供一种基于改进YOLOv5的轻量化PCB板缺陷检测方法，该方法包括：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。本发明专利技术能够在不添加计算成本的同时大幅度提升检测准确度，以解决YOLOv5算法在检测PCB板缺陷时存在的漏检、误判等问题。误判等问题。误判等问题。

【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)模块、PAN(Path Aggregation Network，路径聚合网络)模块、DropBlock正则化技术、自适应输入图像大小等。
[0005]利用YOLOv5算法对PCB板缺陷进行检测，可以帮助生产厂商快速、准确地检测出PCB板上的缺陷，并及时进行处理，从而提高产品的质量和安全性，降低生产成本，增强竞争力。然而，在实际应用中，由于电路板的复杂性，如某些电路板上的缺陷十分微小、某些缺陷类型极为相似等，使得YOLOv5检测出来的缺陷可能存在漏检、误判等情况。因此，还需要继续优化YOLOv5的训练策略、模型架构和算法等方面，以提高其在PCB板缺陷检测领域的应用效果。

技术实现思路

[0006]本专利技术的目的是提供一种基于改进YOLOv5的轻量化PCB板缺陷检测方法，该方法能够在不添加计算成本的同时大幅度提升检测准确度，以解决YOLOv5算法在检测PCB板缺陷时存在的漏检、误判等问题。
[0007]一种基于改进YOLOv5的轻量化PCB板缺陷检测方法，包括：
[0008]获取PCB板图像；
[0009]改进YOLOv5模型；
[0010]采用改进的YOLOv5模型检测PCB板的缺陷。
[0011]优选地，改进YOLOv5模型包括：
[0012]改进YOLOv5模型的网络结构；
[0013]优化YOLOv5模型的损失函数和激活函数。
[0014]优选地，改进YOLOv5模型的网络结构包括：
[0015]将主干特征提取网络由CSPDarknet替换为轻量级网络ShuffleNetV2；
[0016]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；
[0017]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。
[0018]优选地，改进YOLOv5模型的网络结构包括：
[0019]将SENet注意力机制结合到ShuffleNetV2网络的基本组成单元中；
[0020]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；
[0021]将缩放因子与原始PCB板图像相乘，产生加权PCB板图像。
[0022]优选地，改进YOLOv5模型的网络结构包括：
[0023]将特征融合网络PANet改进为加权双向特征金字塔网络BiFPN；
[0024]BiFPN采用的优化方法包括：
[0025]跨尺度连接：删除只有一条输入边的节点，简化双向网络；
[0026]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；
[0027]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；
[0028]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：
[0029][0030]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。
[0031]优选地，改进YOLOv5模型的网络结构包括：
[0032]将空间金字塔池化由SPP改进为SPPF；
[0033]SPPF模块将原始PCB板图像分别进行一次、两次、三次5
×
5的最大池化后得到三个PCB板图像，再将三个PCB板图像与原始PCB板图像进行拼接。
[0034]优选地，优化YOLOv5模型的激活函数包括：
[0035]使用Mish函数作为激活函数：
[0036]f(x)＝x*tanh(Softplus(x))
[0037][0038]Softplus(x)＝log(1+e
x
)。
[0039]优选地，优化YOLOv5模型的损失函数包括：
[0040]使用EIOU函数作为边界框回归损失函数：
[0041][0042]EIOU将损失函数分为了IOU损失、距离损失和边长损失三个部分，L
IOU
是IOU损失，L
DIS
是距离损失，L
ASP
是边长损失，IOU表示预测框与真实框的交并比，b和b
gt
分别表示预测框和真实框的中心点，w和w
gt
分别表示预测框和真实框的宽度，h和h
gt
分别表示预测框和真实框的高度，ρ表示两个点之间的欧式距离，c表示预测框和真实框的最小外接框的对角线距离，C
w
和C
h
分别表示预测框和真实框的最小外接框的宽度和高度。
[0043]优选地，改进YOLOv5模型之后，还包括训练YOLOv5模型，具体为：
[0044]采用迁移学习的本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：陈贻渲，何家峰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：