一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于YOLO v5算法改进的PCB缺陷检测方法


[0001]本专利技术涉及一种基于
YOLO v5
算法改进的
PCB
缺陷检测方法，属于目标检测

。

技术介绍

[0002]随着科技的不断发展，电子产业发展势如破竹，这使得各个产业对
PCB
需求的不断上升，
PCB
是电子工业领域的信息载体，是电子产业发展的基石
。
质量检测一直都是工业缺陷检测不可或缺的一步，这关系到产品的质量性和可靠性，影响生产成本和时间成本
。
[0003]目前传统
PCB
缺陷检测方法存在多个缺点
。
首先，传统方法依赖于人工检查，这意味着高度依赖人力资源，导致低效率
。
操作员需要进行目视检查或使用显微镜来寻找潜在的缺陷，这不仅费时费力，还容易受到疲劳和主观判断的影响，从而引发不一致性和不准确性
。
此外，主观性判断是一个常见的问题，不同的操作员可能会对相同的缺陷有不同的看法，增加了质量控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
YOLO v5
算法改进的
PCB
缺陷检测方法，其特征在于：包括以下步骤：步骤一：获取数据集：获取公共数据集，公共数据集内包含若干图像，所述图像具有漏孔
、
鼠咬
、
开路
、
短路
、
杂散
、
杂铜6种缺陷；步骤二：对公共数据集进行适当处理，将数据集中的图片用
Lambimg
工具进行标注，生成
YOLO
格式的标签，并将数据集划分为训练集
、
测试集和验证集；步骤三：构建改进的
YOLO v5
网络；在原
YOLO v5
骨干特征提取网络中的
C3
模块基础上引入密集连接模块，将每个卷积层的输出与之前所有卷积层的输出进行拼接，并作为下一个卷积层的输入，
DenseNet
共包含三个
DenseBlock
，各个模块的特征图大小分别为
32
×
32
，
16
×
16
和8×8，每个
DenseBlock
里面的层数相同；
YOLO v5
中原始的残差网络的第
M
层输出如下：
X
M
＝
f
M
(X
M
‑1)+X
M
‑1通过采用密集卷积块的方式，第
M
层通过对前
M
‑1层的特征输出图做网络融合，增强特征获取的能力，其输出如下：
X
M
＝
f
M
(X0,X1,
…
X
M
)
为对全局平均池化进行分解，使其能够有效捕获精准位置信息的远程交互特征，后引入
CA
注意力机制，增加一个尺度预测头；步骤四：将
PCB
表面缺陷样本送入改进后的
YOLO v5
网络模型中进行训练；步骤五：若模型检测出
PCB
板上存在漏孔
、
开路
、
伪铜
、
鼠咬
、
短路
、
毛刺六类上述缺陷，则将这些缺陷用不同颜色矩形框进行标注，并将输出图片保存，标出检测的日期
、
时间和地点；步骤六：训练结束，得到目标检测最优模型和数据，根据最后的准确率
、
召回率
、
以及最后得出的
MAP
值评估模型检测效果
。2.
根据权利要求1所述的一种基于
YOLO v5
算法改进的
PCB
缺陷检测方法，其特征在于：所述步骤二中所述验证集和测试集的比例为8：1：1，分别用于模型的训练和测试
。3.
根据权利要求1所述的一种基于
YOLO v5
算法改进的
PCB
缺陷检测方法，其特征在于：所述步骤二中，使用
Mosaic
方法将四张图片进行拼接操作，...

【专利技术属性】
技术研发人员：姜显扬，吴凯勇，战士刚，赖钰，崔飞翔，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：