一种基于YOLO和注意力机制的印刷电路板缺陷检测方法技术

本发明专利技术公开了一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，属于印刷电路板表面缺陷识别技术领域，包括以下步骤：S1：图像处理；S2：对比并融合不同的注意力机制；S3：损失函数优化；S4：缺陷识别。本发明专利技术在印刷电路板独立测试集上获得了97.8％mAP以及80.1FPS的成绩，优于其他现有方法；使用CA注意力机制优化YOLO v5m，使其计算复杂度由49.0GFLOPs下降到了41.0GFLOPs，而在独立测试集上的精度反而有所提高；本发明专利技术提出的模型具有良好的鲁棒性，能够同时准确识别并定位多种类型的缺陷。能够同时准确识别并定位多种类型的缺陷。能够同时准确识别并定位多种类型的缺陷。

【技术实现步骤摘要】
一种基于YOLO和注意力机制的印刷电路板缺陷检测方法


[0001]本专利技术涉及印刷电路板表面缺陷识别
，具体涉及一种基于YOLO和注意力机制的印刷电路板缺陷检测方法。

技术介绍

[0002]印刷电路板是现代电力电子系统中不可缺少的一部分，用于各种电气元件的连接和支撑。然而，由于其特殊的生产工艺，印刷电路板经常暴露在高温和潮湿的环境中。因此，随着时间的推移，缺陷将不可避免地出现。一旦出现缺陷，可能会对整个设备造成无法弥补的损坏。因此，以定位和分类印刷电路板表面缺陷为核心目的检测具有重要意义。识别缺陷的传统方法涉及由经验丰富的工人进行人工检查。这种方法不仅成本高，而且效率低下，因此，人工检测逐渐被自动光学检测(AOI)系统所取代。AOI是一种有效的检测方法，广泛用于液晶显示器(LCD)/薄膜晶体管(TFT)和PCB工业过程。AOI可以自动检测PCB上的各种组装错误和焊接缺陷，还提供在线检测解决方案，与传统方法相比，大大提高了检测速度和效率。
[0003]目标检测网络可分为两阶段和单阶段模型，在两阶段模型中，选择性搜索算法在被检图像上生成候选框，然后将其送入特征提取网络进行预测。研究人员修改了区域卷积神经网络(R
‑
CNN)，被称为Faster R
‑
CNN。同时提出了一种新颖的区域建议网络(RPN)，为首次使用卷积神经网络生成锚点。此外，他们使用感兴趣区域(RoI)池化层来代替全连接层。因此，Faster R
‑
CNN可以接受任何大小的输入，并减少由于翘曲造成的信息损失。Faster R
‑
CNN在COCO数据集上以mAP(0.5)42.7％实现了最先进的性能。被认为是两阶段目标检测网络性能的巅峰。
[0004]另一方面，以YOLO系列为代表的单阶段模型直接预测边界框，不需要选择性搜索算法和区域建议网络。两种模型各有优缺点，模型的选择取决于具体的应用和要求。YOLO v5是一种应用广泛的目标检测网络，包括主干、颈部和头部。主干是使用CSPDarkNet
‑
53网络构建的，由一系列重复堆叠的C3模块组成。同时，为了解决多尺度目标预测问题，YOLO v5采用3个检测头分别预测大、中和小目标。此外，通过基于特定数据集的聚类算法获得不同尺度的锚框，将有助于网络的收敛。YOLO v5m在COCO数据集上实现了64.1％mAP(0.5)，在V100 GPU上的单张图像测速为121FPS。YOLO v5m显着提高了检测速度，有效地满足了实时检测的要求。
[0005]近年来，基于深度学习的目标检测模型以其检测速度快、准确率高、易于部署等优点被广泛应用于印刷电路板检测领域。一些研究人员提出了一个基于ResNet
‑
10的框架，该框架基于特征金字塔网络结构，对之前的语义信息采用1
×
1卷积横向融合，融合后的特征采用3
×
3卷积得到最终的特征层。最后，他们在公共PCB数据集上实现了96.2％的平均精度(mAP)；由于PCB缺陷图像难以获取且大多数缺陷是小目标，一些研究人员提出了一种基于改进的CBAM的特征增强模块，并制定了多尺度特征融合策略，可以提取PCB的多尺度特征图并将其融合成包含不同尺度信息的高质量特征图，提高模型对小物体缺陷的检测精度；还有一些研究人员摒弃了传统的使用卷积神经网络提取图像特征的思路，采用Swim
‑
Transformer作为特征提取网络，同时修改特征图中通道的顺序，使网络有效地关注具有更大价值的信息。Transformer
‑
YOLO在公共PCB数据集上获得了21FPS、97.04％mAP的结果，平衡了检测速度和准确度的平均时间。
[0006]两阶段和单阶段模型都是深度学习目标检测模型中重要的组成部分，两阶段模型具有更高的精度但检测效率较低，适合对精度需求和算力较高的场合。单阶段模型以其参数和计算量低而受到广泛关注，在牺牲一定精度的情况下能够换来速度的提升。以YOLO v5为例：YOLO v5具有m和s两个版本，YOLO v5m的参数量为YOLO v5s的3倍，而在COCO数据集上仅有7.3％的精度提升，检测速度由49.0FPS降至16.5FPS。因此精度与速度，参数和计算量的平衡是当前目标检测模型研究的重点和难点。为此，本专利技术提出一种基于YOLO和注意力机制的印刷电路板缺陷检测方法。

技术实现思路

[0007]本专利技术所要解决的技术问题在于：如何让目标检测模型能够准确地定位到被检图像上的每个缺陷，并能够正确地分类它；同时能够以更少的参数量以及更低的计算复杂度获得更高的检测性能，以便于在边缘设备上部署，提供了一种基于YOLO和注意力机制的印刷电路板缺陷检测方法。
[0008]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
[0009]S1：图像处理
[0010]获取印刷电路板表面缺陷的公开数据集，并且根据任务需求对数据集中的图像进行预处理；
[0011]S2：对比并融合不同的注意力机制
[0012]在YOLO v5m的CSPDarkNet53中分别添加CBAM、CA、SE注意力机制模块并对比其性能，得到添加CA注意力机制模块的YOLO v5m的性能最高，将添加CA注意力机制模块的YOLO v5m作为印刷电路板缺陷识别模型；
[0013]S3：损失函数优化
[0014]选择WIoU作为边界框回归损失函数，利用WIoU对印刷电路板缺陷识别模型进行优化，得到优化后的印刷电路板缺陷识别模型并对模型进行性能验证；
[0015]S4：缺陷识别
[0016]将待检测图片输入优化后的印刷电路板缺陷识别模型中，获得印刷电路板缺陷识别结果。
[0017]更进一步地，在所述步骤S1中，预处理包括Mosaic数据增强与去噪处理。
[0018]更进一步地，在所述步骤S1中，还包括如下过程：
[0019]S11：将预处理后的印刷电路板缺陷图像按照设定的比例分别划分为训练集、验证集和测试集；
[0020]S12：将训练集以及验证集中的图像统一调整至设定尺寸。
[0021]更进一步地，在所述步骤S2中，具体过程如下：
[0022]S21：选择YOLO v5m作为基础模型，在其骨干网络CSPDarkNet53的C3模块中，利用CBAM、CA、SE注意力机制模块替换掉C3模块中第一个ConvBNSiLU块，并采用相同的模型初始化方法分别进行训练，得到三种融合了不同注意力机制的模型；
[0023]S22：将添加CBAM、CA、SE注意力机制的模型在独立测试集上验证精确度以及速度；
[0024]S23：发现添加CA注意力机制模块的YOLO v5m精确度以及速度最高，因此将其作为印刷电路板缺陷识别模型。
[0025]更进一步地，在所述步骤S22中，在验证精确度的同时对独立测试集上的三种模型进行了TP、FP和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，其特征在于，包括以下步骤：S1：图像处理获取印刷电路板表面缺陷的公开数据集，并且根据任务需求对数据集中的图像进行预处理；S2：对比并融合不同的注意力机制在YOLO v5m的CSPDarkNet53中分别添加CBAM、CA、SE注意力机制模块并对比其性能，得到添加CA注意力机制模块的YOLO v5m的性能最高，将添加CA注意力机制模块的YOLO v5m作为印刷电路板缺陷识别模型；S3：损失函数优化选择WIoU作为边界框回归损失函数，利用WIoU对印刷电路板缺陷识别模型进行优化，得到优化后的印刷电路板缺陷识别模型并对模型进行性能验证；S4：缺陷识别将待检测图片输入优化后的印刷电路板缺陷识别模型中，获得印刷电路板缺陷识别结果。2.根据权利要求1所述的一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，其特征在于：在所述步骤S1中，预处理包括Mosaic数据增强与去噪处理。3.根据权利要求2所述的一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，其特征在于：在所述步骤S1中，还包括如下过程：S11：将预处理后的印刷电路板缺陷图像按照设定的比例分别划分为训练集、验证集和测试集；S12：将训练集以及验证集中的图像统一调整至设定尺寸。4.根据权利要求1所述的一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，其特征在于：在所述步骤S2中，具体过程如下：S21：选择YOLO v5m作为基础模型，在其骨干网络CSPDarkNet53的C3模块中，利用CBAM、CA、SE注意力机制模块替换掉C3模块中第一个ConvBNSiLU块，并采用相同的模型初始化方法分别进行训练，得到三种融合了不同注意力机制的模型；S22：将添加CBAM、CA、SE注意力机制的模型在独立测试集上验证精确度以及速度；S23：发现添加CA注意力机制模块的YOLO v5m精确度...

【专利技术属性】
技术研发人员：王兵，潘乐君，卢琨，汪文艳，吴紫恒，周郁明，马小陆，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：