基于改进yolov7网络的PCB表面缺陷检测方法及系统技术方案

本发明专利技术涉及图像处理技术领域，尤其涉及基于改进yolov7网络的PCB表面缺陷检测方法及系统，包括下载PCB缺陷图像公开数据集，并将数据划分为训练集、验证集和测试集；构建改进yolov7网络，利用训练集数据对模型进行训练；利用均值平均精度mAP、准确率Precision、召回率Recall对改进yolov7网络进行评估。本发明专利技术解决yolov7模型在检测小目标时存在检测率低、检测准确性和速度低的问题。测准确性和速度低的问题。测准确性和速度低的问题。

【技术实现步骤摘要】
基于改进yolov7网络的PCB表面缺陷检测方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及基于改进yolov7网络的PCB表面缺陷检测方法及系统。

技术介绍

[0002]随着现代工业的发展，电子产业发生了翻天覆地的变化，电子产品的种类和数量都大大增加；PCB(印刷电路板)是重要的电子部件，是电子元器件的支撑体，在电子产业中占据重要的地位。电子产品的质量与PCB的质量息息相关，因此工业的发展对PCB产品的质量提出了更高的要求。而在实际生产中，由于生产工艺的问题，PCB产品往往有一些影响质量的缺陷。为了保证产品的质量，生产厂家往往会在工业生产中增加缺陷检测的环节，缺陷检测是PCB产品质量的重要保障。
[0003]目前，yolov7模型在检测小目标时存在检测率低等问题；另外，yolov7原有的bounding box损失函数效率一般，更换其他损失函数能提升其检测的准确性和速度。

技术实现思路

[0004]针对现有方法的不足，本专利技术所采用的技术方案是：基于改进yolov7网络的PCB表面缺陷检测方法，包括以下步骤：
[0005]步骤一、下载PCB缺陷图像公开数据集，并将数据划分为训练集、验证集和测试集；
[0006]进一步的，缺陷图像包括：缺失孔、鼠标咬伤、开路、短路、杂散和伪铜。
[0007]步骤二、构建改进yolov7网络，利用训练集数据对模型进行训练；
[0008]进一步的，改进yolov7网络包括：在锚框anchors中增加小目标检测框，将anchors修改为：
[0009]‑
[12,15,30,15,15,30][0010]‑
[55,20,28,43,93,30][0011]‑
[45,96,167,49,110,155][0012]‑
[380,130,286,354,610,255]。
[0013]进一步的，改进yolov7网络还包括在yolov7网络中的head部分增加小目标检测模块，小目标检测模块包括第一CBS、第一MP
‑
B、第一ELAN
‑
B、第一全连接层、第一上采样层、第二ELAN
‑
B、第一RepConv和第一检测头组成，第一ELAN
‑
A的输出与第一CBS连接，第一CBS与第一全连接层连接，第三ELAN
‑
B依次与第一上采样、第一全连接、第一ELAN
‑
B和第一MP
‑
B连接，第一MP
‑
B与第二ELAN
‑
B连接，第二ELAN
‑
B分别与第一RepConv和第一检测头连接，通过增加卷积层、全连接层、上采样层提取特征信息；通过增加检测头，提高小目标的检测能力。
[0014]进一步的，改进yolov7网络还包括在yolov7网络的backbone的ELAN模块和SPPCSPC模块之间添加改进GAM模块，并采用leakyRelu激活函数替换原GAM注意力机制中的Relu激活函数。
[0015]进一步的，改进yolov7网络还包括将yolov7网络的bounding box损失函数替换为
SIoU损失函数。
[0016]进一步的，SIoU损失函数的公式为：
[0017][0018]其中，Δ为距离损失，Ω为形状损失，IoU为IoU损失。
[0019]步骤三、利用均值平均精度mAP、准确率Precision、召回率Recall对改进yolov7网络进行评估；
[0020]进一步的，基于改进yolov7网络的PCB表面缺陷检测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于改进yolov7网络的PCB表面缺陷检测方法。
[0021]本专利技术的有益效果：
[0022]1、在yolov7网络上增加小目标检测层，由于PCB缺陷目标较小，通过增加小目标检测出提高PCB缺陷的检测能力；
[0023]2、在backbone层中加入改进GAM注意力机制；
[0024]3、将原模型的bouding box损失函数换为SIoU损失函数，重新定义了惩罚指标，增强了模型的特征提取能力。
附图说明
[0025]图1是本专利技术的改进yolov7网络的PCB表面缺陷检测方法流程图；
[0026]图2是本专利技术的改进yolov7网络模型图；
[0027]图3是现有yolov7网络模型图。
具体实施方式
[0028]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0029]如图1所示，基于改进yolov7网络的PCB表面缺陷检测方法包括以下步骤：
[0030]步骤一、下载PCB缺陷图像公开数据集，并将数据划分为训练集、验证集和测试集；
[0031]公开数据集可以采用北京大学PCB数据集，包括缺陷图像和缺陷类型标签，其中缺陷标签为xml格式，需要先格式转为yolov7网络的txt格式。
[0032]数据集包括6类缺陷：缺失孔、鼠标咬伤、开路、短路、杂散、伪铜。
[0033]步骤二、构建改进yolov7网络模型，利用训练集数据对模型进行训练；
[0034]在建yolov7网络中的锚框anchors中增加小目标检测框和小目标检测模块。
[0035]对yolov7网络的初始锚框anchors的大小和数量进行修改，将anchors修改为：
‑
[12,15,30,15,15,30][0036]‑
[55,20,28,43,93,30][0037]‑
[45,96,167,49,110,155][0038]‑
[380,130,286,354,610,255]。
[0039]如图2、3所示为改进后的yolov7网络和现有yolov7网络，改进部分为虚线框所示；其中，在yolov7网络中的head部分增加小目标检测模块，小目标检测模块包括第一CBS、第
一MP
‑
B、第一ELAN
‑
B、第一全连接层、第一上采样层、第二ELAN
‑
B、第一RepConv和第一检测头组成，第一ELAN
‑
A的输出与第一CBS连接，第一CBS与第一全连接层连接，第三ELAN
‑
B依次与第一上采样、第一全连接、第一ELAN
‑
B和第一MP
‑
B连接，第一MP
‑
B与第二ELAN
‑
B连接，第二ELAN
‑
B分别与第一RepConv和第一检测头连接；随着网络深度的增加，很多小目标的特征信息都丢失了，通过增加卷积层、全连接层、上采样层更好的提取特征信息；通过增加小目标检测层增加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进yolov7网络的PCB表面缺陷检测方法，其特征在于，包括以下步骤：步骤一、下载PCB缺陷图像公开数据集，并将数据划分为训练集、验证集和测试集；步骤二、构建改进yolov7网络，利用训练集数据对模型进行训练；步骤三、利用均值平均精度mAP、准确率Precision、召回率Recall对改进yolov7网络进行评估。2.根据权利要求1所述的基于改进yolov7网络的PCB表面缺陷检测方法，其特征在于，缺陷图像包括：缺失孔、鼠标咬伤、开路、短路、杂散和伪铜。3.根据权利要求1所述的基于改进yolov7网络的PCB表面缺陷检测方法，其特征在于，改进yolov7网络包括：在锚框anchors中增加小目标检测框，将anchors修改为：[12,15,30,15,15,30]、[55,20,28,43,93,30]、[45,96,167,49,110,155]、[380,130,286,354,610,255]。4.根据权利要求1所述的基于改进yolov7网络的PCB表面缺陷检测方法，其特征在于，改进yolov7网络还包括在yolov7网络中的head部分增加小目标检测模块，小目标检测模块包括第一CBS、第一MP
‑
B、第一ELAN
‑
B、第一全连接层、第一上采样层、第二ELAN
‑
B、第一RepConv和第一检测头组成，第一ELAN
‑
A的输出与第一CBS连接，第一CBS与...

【专利技术属性】
技术研发人员：王洪元，王阳，张继，丁宗元，
申请(专利权)人：常州大学，
类型：发明
国别省市：