【技术实现步骤摘要】
本专利技术涉及人工智能，具体为基于多维注意力机制的高精度pcb微小缺陷检测算法。
技术介绍
1、近年来，随着电子设备的快速发展和广泛应用，pcb作为电子产品的关键组成部分，在电子制造行业中扮演着至关重要的角色。然而，在pcb的制造过程中，由于制造设备、材料质量以及环境因素等多种原因，常常会出现微小的缺陷，如漏孔、鼠咬、断路、短路、毛刺和余铜等。因此，pcb缺陷检测成为电子产品生产的重要环节，小目标的检测能力对pcb缺陷检测来说非常重要。由于优秀的工艺，精确的布线和集成电路的快速发展，pcb变得越来越集成化和小型化。这些微小缺陷虽然在肉眼下很难察觉，但却可能导致电子产品的性能下降甚至出现故障，严重影响产品的质量和可靠性。为了及时发现和修复这些微小的缺陷，高效准确的缺陷检测算法成为了刻不容缓的需求。
2、传统的pcb缺陷检测采用人工视觉检测方法和机器检测方法。常用的pcb缺陷检测方法包括基于规则和特征提取的方法。基于规则的方法通常使用预定义的规则或者阈值来判断是否存在缺陷，但这种方法对于复杂缺陷的检测效果有限。另一类方法是基于特征提取的方法，通过提取图像的纹理、形状和颜色等特征，使用机器学习算法进行分类和检测。然而，由于传统方法对于图像特征的设计和选择高度依赖于领域专家经验，且往往难以充分表达pcb微小缺陷的复杂特征，其检测性能有限。
3、传统的yolov7算法在pcb微小缺陷检测上存在一些不足之处。首先，yolov7对于微小缺陷的感知能力较弱，往往无法精确地检测到微小缺陷。其次，yolov7在处理pcb缺陷
技术实现思路
1、本专利技术的目的在于克服现有的缺陷而提供的基于多维注意力机制的高精度pcb微小缺陷检测算法，提高了pcb(全称：printed circuit board，印制电路板)缺陷检测中对于检测缺陷目标的个数和位置的准确度，能更好地适应pcb缺陷的微小性和位置不固定性。
2、实现上述目的的技术方案是：
3、基于多维注意力机制的高精度pcb微小缺陷检测算法，包括：
4、步骤s1，通过全维动态卷积对yolov7(单杆检测器)算法的网络结构进行优化，得到改进的yolov7的目标检测算法；
5、步骤s2，通过alpha-siou损失函数对改进的yolov7的目标检测算法进行训练优化；
6、步骤s3，利用改进后的yolov7目标检测算法检测pcb视频或图片，输出检测后的视频或图片。
7、优选的，所述步骤s1中，多维动态卷积利用一种多维注意机制对yolov7算法的网络结构进行优化，具体包括：
8、步骤s11，通过核空间的四个维度并行学习卷积核的不同注意，并逐步将这些注意应用到yolov7算法相应的卷积核上；
9、步骤s12，通过全局平均池化将输入x压缩成长度为c_in的特征向量，再通过fc(全称：full connection，完全连接)层和relu激活函数以r＝1/16的映射率来降低yolov7算法的复杂度；
10、步骤s13，分别映射到四个注意力的分支头，每个分支都有一个fc层和sigmoid或softmax激活函数来分别生成输入通道权值、卷积核权值、核空间权值以及输出通道权值；
11、其中，四个维度包括：卷积核数、卷积核的空间大小、输入通道数和输出通道数。
12、优选的，所述步骤s1中，对于全维动态卷积，它使用n个卷积核的线性组合，不同的输入通过权重和偏置不断变换来实现注意力机制动态加权，动态卷积y运算公式为：
13、
14、其中，g()代表激活函数；
15、核空间的四个维度权重和偏置通过以下公式计算，
16、
17、
18、其中，πwk(x)为softmax函数，πfk(x)，πck(x)和πsk(x)为sigmod函数，πk第k个线性函数的注意权值，w、f、c、s代表四个不同的维度。
19、优选的，所述步骤s2中，通过alpha-siou(alpha调制-边框回归损失函数)损失函数对改进的yolov7的目标检测算法进行训练优化，其中，siou损失函数考虑了预测框与真实框的距离、重叠面积和长宽比两者之间的方向不匹配，并重新定义了乘法项，siou损失函数包括角度代价、距离代价、形状代价和iou(交并比)代价，并在siou的基础上加入了alpha调制。
20、优选的，角度代价λ计算公式为：
21、
22、
23、其中，表示角度α的正弦值，和分别为检测框和真实框的中心点坐标；σ为两个中心之间的距离，ch为两个中心之间的垂直距离，c代表中心点，x、y分别代表坐标系中x、y轴。
24、优选的，距离代价δ计算公式为：
25、
26、
27、其中，ρx和ρy分别为距离损失的平方，cw代表两个中心点之间的水平距离，当角度α接近0时，会退化为距离损失；相反当角度α接近时，角度损失增大。
28、优选的，形状代价计算公式为：
29、
30、
31、其中，w,h为预测框的宽和高，wgt,hgt为真实框的宽和高；ωw,ωh和θ定义了形状的代价，θ默认设置为4。
32、优选的，iou代价定义siou损失，iou代价lbox计算公式为：
33、
34、
35、其中，b代表最大的预测框所占面积，bgt代表真实框所占面积；
36、并在siou的基础上加入了alpha调制，即最终alpha-siou计算公式为：
37、
38、优选的，通过提高α的大小增加iou对象的损失和梯度，当α为1时，该公式退化为siou损失。
39、本专利技术的有益效果是：本专利技术通过全维动态卷积对yolov7算法的网络结构进行优化，并通过alpha-siou损失函数对改进的yolov7的目标检测算法进行训练优化；在yolov7算法中使用多维注意机制，在降低网络参数的前提下，提高了网络的特征学习能力，对于小目标缺陷特征提取更加友好，可以有效提高检测精度，提高了pcb六类缺陷的检测精度；同时也提高了pcb缺陷检测中对于检测缺陷目标的个数和位置的准确度，能更好地适应pcb缺陷的微小性和位置不固定性。
本文档来自技高网...【技术保护点】
1.基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，包括：
2.根据权利要求1所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，所述步骤S1中，多维动态卷积利用一种多维注意机制对YOLOv7算法的网络结构进行优化，具体包括：
3.根据权利要求2所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，所述步骤S1中，对于全维动态卷积，它使用n个卷积核的线性组合，不同的输入通过权重和偏置不断变换来实现注意力机制动态加权，动态卷积y运算公式为：
4.根据权利要求1所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，所述步骤S2中，通过Alpha-SIoU损失函数对改进的YOLOv7的目标检测算法进行训练优化，其中，SIoU损失函数考虑了预测框与真实框的距离、重叠面积和长宽比两者之间的方向不匹配，并重新定义了乘法项，SIoU损失函数包括角度代价、距离代价、形状代价和IoU代价，并在SIoU的基础上加入了Alpha调制。
5.根据权利要求4所述的基于多维注意力机制的高精度PCB微小缺
6.根据权利要求5所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，距离代价Δ计算公式为：
7.根据权利要求6所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，形状代价计算公式为：
8.根据权利要求7所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，IoU代价定义SIoU损失，IoU代价Lbox计算公式为：
9.根据权利要求8所述的基于多维注意力机制的高精度PCB微小缺陷检测算法，其特征在于，通过提高α的大小增加IoU对象的损失和梯度，当α为1时，该公式退化为SIoU损失。
...【技术特征摘要】
1.基于多维注意力机制的高精度pcb微小缺陷检测算法，其特征在于，包括：
2.根据权利要求1所述的基于多维注意力机制的高精度pcb微小缺陷检测算法，其特征在于，所述步骤s1中，多维动态卷积利用一种多维注意机制对yolov7算法的网络结构进行优化，具体包括：
3.根据权利要求2所述的基于多维注意力机制的高精度pcb微小缺陷检测算法，其特征在于，所述步骤s1中，对于全维动态卷积，它使用n个卷积核的线性组合，不同的输入通过权重和偏置不断变换来实现注意力机制动态加权，动态卷积y运算公式为：
4.根据权利要求1所述的基于多维注意力机制的高精度pcb微小缺陷检测算法，其特征在于，所述步骤s2中，通过alpha-siou损失函数对改进的yolov7的目标检测算法进行训练优化，其中，siou损失函数考虑了预测框与真实框的距离、重叠面积和长宽比两者之间的方向不匹配，并重新定义了乘法项...
【专利技术属性】
技术研发人员：郭武元，李泽一，
申请(专利权)人：航天科工空天动力研究院苏州有限责任公司，
类型：发明
国别省市：
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。