基于融合MBAM与YOLOv5的PCB缺陷检测方法

随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,在3个不同维度对特征图进行关注,以增强特征提取的能力,对缺陷区域给予更多的注意力表示。通过改进YOLOv5结构,将MBAM与YOLOv5网络结合,有效的提升了对PCB中小目标的检测性能。最后通过在网络不同位置添加MBAM模块进行对比实验,选取了最佳的添加位置。通过在PCB缺陷数据集上的实验结果表明,改进后的PCB缺陷检测算法具有良好的检测性能,优于其他对比算法,最终的AP达到了96.7%,对比标准YOLOv5的94.7%提高了2个百分点,其他项指标均有涨点,在保持检测速度基本不变的情况下,精准地识别PCB缺陷类型。

基于深度学习的PCB缺陷检测技术

印刷电路板(printed circuit board,PCB)是电子产品的关键部件。在实际生产过程中,PCB难免会产生多种缺陷,对缺陷进行及时、精准检测具有一定的研究意义与应用价值。传统的检测方法存在速度慢、成本高、精度低的问题。针对PCB缺陷检测问题,开展基于YOLO系列算法研究,在相同的实验环境下,以平均精度、精确率、召回率、每秒传输帧数作为评价性能指标。实验研究发现,YOLOv7在精度方面比YOLOv5有一定的提升,而YOLOv5在训练和推理的速度上比YOLOv7更快。提出融合CBAM(convolutional block attention module)注意力机制模块的YOLOv5改进算法用于PCB缺陷检测。经实验验证,改进算法在PCB缺陷检测的精确性和速度性能上均得到提升,其中,平均精度、精确度和召回率分别提升了7.40%,3.57%和5.63%。

基于YOLOv5-TGs的PCB缺陷检测算法研究

针对目前PCB缺陷检测算法在实际应用中检测精度低等问题,提出基于改进YOLOv5s的PCB缺陷检测算法YOLOv5-TGs。该算法以YOLOv5s算法模型为基础,首先在主干网络中引入Swin Transformer结构,并取代C3模块中的Bottleneck模块,并使用Ghost卷积模块替换Conv模块,降低了模型的计算复杂度,实现轻量化,同时增加了其接收域,增强PCB缺陷的小目标的特征表达能力;其次,在颈部网络的C3结构后面添加全局注意力机制,更大程度地保留通道和空间信息,在减少特征信息弥散的情况下放大全局跨纬度的交互特征,提高检测效率。最后用SIoU损失函数来代替原有的CIoU损失函数,通过在损失函数代价中引入方向性,加快模型收敛速度,提高回归精度。本文实验使用的是北京大学实验室公开发布的PCB缺陷数据集,结果表明:改进算法的平均精度均值达到98.2%,精确率达到95.5%;相较于YOLOv5s,改进算法的平均精度均值提升了7.3%,精确率提升了7.5%。

基于轻量化的YOLOv5的PCB缺陷检测算法

针对在印刷电路板(printed circuit board,PCB)缺陷检测上网络模型过大且精度较低的缺点,使用Python在Windows上提出了一种基于YOLOv5l改进的PCB缺陷检测算法,并对六种常见的缺陷作为数据集进行检测。采用轻量化网络EfficientNetLite0作为模型的骨干网络﹐并通过对特征金字塔加入P2检测头来获取更小的目标特征。试验结果表明:所提算法对印刷电路板的缺陷有识别精度高、模型小和检测快速的特点;单张图片检测速度达到43.6 ms﹐模型大小为49.1 MB﹐所有类别精度指标达到98.9%。所提算法为未来部属在边缘设备上的工业缺陷检测提供了新思路。

基于改进YOLOv8n的PCB缺陷检测算法

针对现有的印刷电路板(PCB)缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出YOLOv8n-4SCDP缺陷检测算法。首先,在YOLOv8n颈部网络增加上采样,融合Backbone中浅层语义信息,同时增加微小目标检测层降低PCB小目标缺陷漏检率;其次,在Backbone中融入坐标注意力(CA)机制,强化特征语义和位置信息,提高了模型特征融合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP算法的整体缺陷的平均精度均值(mAP)达到95.8%,检测帧率达到了65fps。有效改善YOLOv8n对于PCB小目标缺陷漏检率高、检测精度低等问题。

基于YOLO-MCG的PCB缺陷检测算法

为解决PCB缺陷检测中存在检测精度低,模型尺寸庞大的问题,文中提出基于YOLO-MCG的PCB缺陷检测算法。首先提出多尺度加权通道融合网络缩减模型体积,扩增小目标数据。接着提出混合空间金字塔卷积替换主干网络中SPP结构,扩大深层特征图感受野,增强模型语义信息特征提取性能。最后构建轻量化CG-CSP模块替换主干网络最深层CSP结构,减少网络参数,提高网络过滤冗余背景信息能力。实验结果表明,YOLO-MCG算法在8.13 MB的模型尺寸下平均精度均值为97.72%,与改进前模型比较,mAP提升3.77%,模型尺寸缩减69.89%,有效降低模型复杂度,提升缺陷检测效果。

基于机器学习的PCB缺陷检测与分类方法研究

印制电路板(PCB)在制造过程中难免会产生各种缺陷。为了提高生产效率和产品质量,针对PCB制造中常见的缺陷进行检测与分类。通过构建深度学习模型,采用图像处理技术,对PCB图像进行全面而高效的缺陷检测。通过大量的训练数据,模型能够学习各类缺陷的特征,包括但不限于短路、断路、焊接不良等。使用举例说明和推导论证等方法对PCB缺陷进行分类研究,在深度学习模型的巧妙构建和分类算法的优化应用相辅相成的应用基础上,为提高生产效率和产品质量提供了可行的解决方案,推动了PCB制造业智能化方向的发展。

基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测

针对常规的PCB缺陷检测算法存在精度不高、缺陷定位不准确等问题,提出一种基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测方法。首先,在主干网络的C3中引入ECA注意力机制,使模型更加关注小目标的特征信息,保证模型检测效果;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),让模型能够更快速地开展多尺度特征融合;最后,使用SIoU Loss替换CIoU Loss,进一步提升模型的稳定性。以同一PCB数据集为实验对象,实验结果表明,改进后的模型mAP达到了98.1%,相较于原模型,FPS提高了4.68,在检测的精度和速度上均有提升,满足PCB缺陷的实际检测要求。

基于SimAM-YOLOv5s的PCB缺陷检测算法

为解决PCB缺陷检测存在精度低、检测效果差的问题,提出一种基于SimAM-YOLOv5s的PCB缺陷检测算法。利用Kmeans++对锚框进行重新聚类,通过添加浅层尺度信息来丰富小目标数据,提高深层和浅层语义信息的融合能力;将损失函数修改为SIoU,即引入角度损失来计算距离损失,以加快网络收敛速度,使回归参数更加准确;通过结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,改善模型的准确性和鲁棒性。实验结果表明,改进后YOLOv5s算法的模型大小为27.7 MB,检测的平均精度均值为98.39%,比原网络提高了4.44%,有效提升了PCB缺陷检测的精度。

双重轻量化PCB缺陷检测算法研究

针对PCB缺陷检测方法存在检测速度慢、对部署设备要求高等问题,本文提出一种双重轻量化PCB缺陷检测算法。首先在YOLOv5主干网络中采用轻量化模块C3Ghost;然后利用GSConv模块和C3GS模块搭建特征融合网络,用来获取主干网络丢失的部分语义信息和提高网络检测速度;最后利用多任务全局通道剪枝修剪对网络精度影响较小的通道,进一步减少模型的参数量和计算量。该算法在PKU-Market-PCB数据集上进行测试,平均精度值为98.9%、模型大小为5.2M、模型参数量为2393469、检测时间为3.3ms。对比原算法,其模型大小、模型参数量和检测时间分别减少64%、66%和25%。

基于改进YOLOv5的PCB缺陷检测算法

针对目前大多数印刷电路板(printed circuit board, PCB)检测模型参数量大、不利于移动部署的问题,同时为了进一步提升检测精度,提出一种基于改进YOLOv5的轻量化缺陷检测算法。该算法使用ShuffleNetV2替换CSPDarkNet53,减少参数量;将普通卷积替换为鬼影混洗卷积(ghost-shuffle convolution, GSConv),提升网络的运行速度;采用内容感知特征重组模块(content-aware reassembly of features, CARAFE)替换最邻近上采样算子,在保证模型轻量化的同时充分利用特征语义信息,有助于提升精度;并且增加了小目标检测层和坐标注意力机制(coordinate attention, CA),以进一步提升算法对小目标缺陷的检测能力。实验结果表明,改进算法相较于YOLOv5,精度提升了0.91%,达到99.11%,召回率提高1.38%,参数量减少40%,检测速度达到74 fps,模型大小仅8.52 MB。该算法可以满足工业检测的要求。

基于ZYNQ的PCB缺陷检测系统实验设计

印刷电路板(PCB)检测方法对于确保产品正常工作至关重要。该文针对传统的人工检测方法易存在漏检、误检等问题,采用深度学习方法对PCB缺陷进行检测,并搭建了基于ZYNQ的硬件实现平台;采用软硬件协同设计方法,使用FPGA对算法进行了硬件加速,其中包括采用了YOLOv3-SPP网络模型,并对该结构进行了优化,使其适用于ZYNQ端的部署。在搭建硬件平台时,首先通过Vivado配置硬件基本信息,然后使用PetaLinux创建Linux系统,在Vitis中调用该系统并添加DPU IP核,最后在ZYNQ的PS端采用多线程思想编写Python程序,实现PCB缺陷的检测。实验结果显示,该系统对各类型PCB缺陷的检测精度均在0.95以上,检测精度平均值(mAP)为0.97。

基于深度学习的国产工业相机PCB缺陷检测算法

针对PCB缺陷检测进口成套设备价格昂贵、闭源、不支持二次开发,面向国产工业相机的核心算法效率和准确度不佳的问题,提出一种基于深度学习的国产工业相机PCB缺陷检测算法。通过国产工业相机采集PCB训练样本集,利用K-means++聚类算法依据缺陷特征生成符合缺陷尺寸的先验框。在YOLOv3深度学习算法的网络结构基础上,增加一个尺度为104×104的特征图层,进一步提取更多尺度的特征信息。通过多尺度特征的联合预测得到缺陷位置和类别。实验测试结果表明:所提出算法的平均精度均值达到97.42%,优于同级别时间复杂度的SSD算法、YOLOv3算法和FasterRCNN算法,能够满足国产工业相机PCB缺陷检测的实际需求。

一种应用于PCB缺陷检测的改进SIFT算法

针对自动化光学检测设备对印刷电路板(Printed Circuit Boards,PCB)裸板进行缺陷检测的过程中,采集的图像无法兼顾高分辨率与大视角的问题,提出了一种应用于PCB裸板缺陷检测的改进SIFT拼接算法。使用白平衡算法优化图像的质量,提高特征点的检测数量以及改善特征点的分布情况;设计分块策略并利用相似度度量准则的手段,缩小SIFT算法的有效范围,提升算法的整体运行效率;采用RANSAC算法与融合算法完成拼接。实验结果表明,与传统的SIFT+RANSAC算法相比,该算法在拼接准确度上提高了11.3%,拼接效率整体提高了52%,且最终拼接图像的质量也较好。

基于改进YOLOv5模型的PCB缺陷图像检测

本文针对印制电路板(Printed Circuit Board,PCB)的缺陷检测问题,研究一种基于改进YOLOv5的PCB缺陷检测模型,构建常见PCB缺陷图像和背景图像的训练数据集,以及缺陷图像和无缺陷图像的测试数据集。为提高YOLOv5模型全局特征捕获能力,在CSP模块的ResNet中,融入Transformer的多头注意力机制,构建改进后的YOLOv5网络结构。结果表明:改进后的模型更适合PCB缺陷的检测,对非缺陷图像的检测精度提高了11.40%。

基于改进YOLOv5的PCB缺陷检测方法

为了解决印制电路板(printed circuit board, PCB)缺陷较为细微,导致检测的效率低下且精度不足的问题,提出一种改进YOLOv5的PCB缺陷检测算法。在YOLOv5的网络结构中加入一种多尺度改进后的注意力模块MBiFormer,通过融合图像的多尺度特征,以动态、查询感知的方式实现计算的有效分配,提升了网络对关键特征的表示能力,有效增强PCB板缺陷的检测精度。实验结果表明,该优化算法在实验中与YOLOv5s、YOLOv4和YOLOv3等算法进行了对比,结果显示在mAP0.5和mAP0.5:0.95的效果均超过了其他算法。本文算法能够克服传统方法的局限性,并在检测过程中更准确地识别PCB板上的微小缺陷,且检测精度满足实际工业化生产的检测要求,为工业生产中PCB板缺陷检测提供了有效的解决方案。

用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法

针对现有的PCB缺陷检测存在检测精度低、速率慢等问题,提出一种用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法;该算法首先通过Transformer编码单元对特征提取网络深层特征冗余的问题进行优化,增强网络捕获不同尺度局部特征信息的能力;然后利用浅层特征增强PCB缺陷小目标上下文信息,提升FPN网络对小目标缺陷的表征能力;最后引入注意力机制对特征提取网络输出的有效特征层加权,强化目标特征表征能力;实验结果表明,该算法对于整体缺陷的平均检测精度的均值(mAP)达到98.70%,较Yolov4_tiny提升了3.12%,实现了PCB缺陷精准定位和识别,满足工业检测的实际需求。

基于深度学习的PCB缺陷检测方法研究

针对在PCB生产过程中出现漏孔、鼠咬、开路、短路、毛刺、余铜、灰尘、划痕等缺陷而影响其后期使用的问题,提出了一种基于Faster R-CNN算法的PCB缺陷检测方法。该方法以ResNet-101为基础骨干网络构建特征金字塔网络,采用Soft-NMS算法对预选框进行筛选,然后使用在线困难样本挖掘方法,将损失值较高的困难样本集中进行处理,提高网络对复杂PCB缺陷样本检测的精确度。实验结果表明,改进后的Faster R-CNN缺陷检测方法可以对各类PCB缺陷进行准确定位和分类,平均检测精度达到93.76%,相较于传统Faster R-CNN方法提高了24.5个百分点,对PCB缺陷全自动检测的研究有一定参考价值。

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足。为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型。引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型。实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98%,验证了该模型对PCB图像识别分类的有效性。

基于多特征的PCB缺陷识别算法研究

印制电路板(PCB)表面的图形品质的检测方法随着PCB的发展而逐渐发展,本文提出了一种基于多特征的AdaBoost算法的PCB板缺陷识别算法。Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器。实验证明基于AdaBoost的PCB缺陷识别算法具有较高的识别率和泛化能力。