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。

基于多模块关系网络的2D足迹分类

由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高。针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法(MulRN),该算法在嵌入单元与关系单元使用了多个模块来提高网络的特征提取能力与特征度量能力,使用具有多分支结构的Inception模块与MRFB模块提升网络的特征提取能力,采用空间注意力模块与通道注意力模块提取出区分度更高的足迹特征,从而更好地实现足迹分类;并在miniImageNet、Omniglot等小样本数据集与双模态2D足迹数据集上进行了实验。实验结果表明,该方法在小样本数据集上具有较好的表现,同时在双模态2D足迹数据集上也达到了不错的效果,特别在右脚双模态数据集上的5-way 5-shot实验中达到了95.41%的分类准确率。

基于改进Deeplabv3+的桥梁裂缝分割算法研究

为提高Deeplabv3+模型对桥梁裂缝的分割精度与检测效率,提出一种多分支卷积块和Deeplabv3+改进的桥梁裂缝分割算法。在Deeplabv3+模型中加入RFB多分支卷积模块,将Deeplabv3+中的backbone替换为Mobilenetv2,用深度分离卷积替换算法中所有普通卷积,增加一次底层特征融合。将改进模型与主流的图像检测模型如PSPNet、U-Net在相同数据集下进行实验对比,结果表明,改进后的Deeplabv3+模型对桥梁裂缝的检测具有较好的效果,检测精度可达90.15%,较原始模型提高了4.07%。改进后的模型分割精度和速度有明显提高,对于完成裂缝检测任务具有实际应用价值。