基于深度学习的印刷电路板缺陷智能检测技术研究

研究探讨了基于深度学习的印刷电路板(PCB)缺陷智能检测技术。通过构建涵盖多种缺陷类型的高质量数据集,设计并优化卷积神经网络(CNN)模型,实现了对PCB缺陷的高精度、快速检测。实验结果表明,提出的模型在准确率、精度、召回率和F1分数等指标上均优于传统方法,并且能够满足实际生产中的实时检测需求。系统集成与部署进一步验证了该技术在实际应用中的可行性和有效性。基于深度学习的PCB缺陷智能检测技术为工业生产的质量控制提供了高效、可靠的解决方案,具有广阔的应用前景和重要的实际价值。

一种印刷电路板缺陷图像边缘信息提取方法

为了较好地提取印刷电路板缺陷图像边缘信息,提出了基于二阶曲线拟合、模式聚类与阈值比较法相结合的印刷电路板缺陷图像边缘信息提取方法。首先分析了最小二乘法拟合的基本原理;然后在此基础上提出了采用二阶曲线拟合法来设定阈值进行拟合得到大致的图像边缘,并分析了其基本原理;最后在模式聚类基础上利用阈值比较法选择适当阈值截取拟合曲线得到图像边缘点、去除噪声边缘点,连接各个图像边缘点可得到缺陷图像的边缘信息。用由显微镜及CCD获取的4幅印刷电路板缺陷图像进行了实验;从实验主观效果看,用该方法提取出图像边缘信息的效果较好,图像边缘比较连续,噪声点极少;从实验客观效果评价看,用该方法所得到的图像边缘信息熵较大。实验结果表明,该方法结合了二阶曲线拟合、模式聚类与阈值比较法优点,可较好地提取出印刷电路板缺陷图像的边缘信息。

印制电路板缺陷图像边缘检测

为了提取含噪声印制电路板（PCB）光板缺陷图像边缘信息,提出了一种基于混合法的图像边缘检测方法.在分析类间最大距离法图像分割基本原理的基础上提出了一种改进的类间最大距离法（IMDBC）;设计了结合中值滤波、IMDBC、改进的数学形态学边缘检测算子与LOG算子进行PCB光板缺陷图像边缘检测的混合方法.用CCD及显微镜成像系统获取4幅PCB光板缺陷图像,结果表明：用本文方法提取出的图像边缘信息清晰且较精确,噪声点较少,所得到的4幅图像优质系数是其它6种方法的1.0111-1.3586倍.

基于分治增强匹配的电路板缺陷自动检测方法

基于图像处理技术的电路板缺陷自动检测,受到电路板图像尺寸过大和特征欠清晰因素的影响,其检测速度和检测精度一直有待提高。为此,提出了一种基于分治增强匹配的电路板缺陷自动检测方法。首先,对标准板图像和待检测板图像进行分块处理;其次,通过分段线性变换的方法增强每一个子块图像的特征;最后,利用灰度统计匹配法判断子块图像是否存在缺陷。实验结果表明,基于分治增强匹配的电路板缺陷自动检测方法在确保检测精度的前提下,检测速度也令人满意。

基于机器视觉的电路板缺陷检测

机器视觉在图像识别领域的应用越来越广泛,本文主要讨论了机器视觉在电路板缺陷检测里的应用,主要经过获取图像、创建模板、匹配、清除模板四步。采用了基于元件的模板匹配来检测待测板的缺陷,最终判断电路板的缺陷部位。

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。针对这一问题,在YOLOv3算法的基础,提出了一种用于印刷电路板缺陷检测的密集YOLOv3目标检测算法。首先,用密集连接卷积网络模块代替YOLOv3算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。所提出的密集YOLOv3算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。

基于YOLOv5的电路板焊接缺陷检测优化算法

随着近年来深度学习目标检测算法的发展,使用目标检测算法对各种产品进行瑕疵缺陷检测受到广泛关注。主要提出了一种优化后的YOLOv5目标检测算法,用于提高对电路板焊接缺陷的检测成功率。优化后的算法在原有YOLOv5网络框架的基础上,新增了一个提升小目标检测精度的检测头。该检测头基于CNN构成,与原有的3个检测头结合,能更加有效地识别小目标。集中采集了两种主要焊接缺陷的图片进行焊接缺陷模型训练,经过实验,最后得出改进的算法相比于原有模型,在平均精确率AP值上能够提升约2%。

基于轻量化YOLOv5的印刷电路板表面缺陷检测

针对现存印刷电路板(PCB)缺陷检测方法计算复杂、模型参数量大,不能满足轻量化部署要求的问题,提出基于轻量化YOLOv5的PCB表面缺陷检测方法。该方法使用重参数化视觉几何组(RepVGG)模块组成特征提取网络,解决YOLOv5中因主干网络中参数过多,从而难以部署到移动端的问题;在颈部网络中,采用全局交互卷积(GSConv)替换了部分卷积,保持了模型的精度,使输出更接近标准卷积;此外,采用有效交并比(EIOU)损失函数,加快模型的收敛速度,并提高模型的检测精度。结果表明:相较于YOLOv5,该方法使得参数量减少28.7%,计算量降低13.3%,平均精度稳定在99%以上。该网络的提出为PCB的缺陷检测问题提供了一种更高效的方法。

基于改进YOLOv5的PCB缺陷快速检测方法

针对工业生产过程中印刷电路板(Printed circuit board,PCB)缺陷检测中存在的检测精度差,效率低等问题,提出一种基于YOLOv5改进型PCB缺陷快速检测算法。首先,将改进型注意力机制模块(Parallel residual Ghostconv-convoluational block attention module,PRG-CBAM)引入路径聚合网络模块(Path aggregation network,PANet)模块中,以消除通道注意力模块与空间注意力模块的优先级,增加对目标物检测的精度。其次,将Ghost卷积(Ghostconv)代替PANet模块中一般卷积以减少网络参数量以及计算量,提高检测效率。实验结果表明,所提出的方法可将YOLOv5s模型参数量压缩18.8%;检测速度为58.342 frame/s,较单步多框(SSD)、YOLOv4、YOLOv5s算法分别提高了120.6%、55.4%、40.1%。平均检测精度达到了99.000%,相比SSD、YOLOv4和YOLOv5s算法分别提高了28.1%、2.0%和1.5%。该算法可实现实时高精度PCB板缺陷检测。

基于红外热图序列的板级芯片故障诊断研究

提出一种基于红外热图序列的板级芯片开/短路缺陷检测方法。首先记录芯片关键区域在上电程序响应过程的温度均值序列,运用Savitzky Golay卷积平滑法对其平滑滤波后提取时域特征参量,利用主成分分析法优选关键特征;然后构建支持向量机分类模型,利用粒子群算法优化支持向量机模型参数,使其能有效区分不同的电路板故障类型。为验证提出的方法在芯片开/短路缺陷检测中的有效性,在开发板上的主控芯片上进行了多种焊球开/短路模拟实验。结果表明,优化后的分类模型在测试集的交叉验证分类准确率为96.90%,证明了该方法诊断芯片开/短路缺陷的有效性。

轻量化的PCB表面缺陷检测算法

针对印刷电路板(PCB)表面缺陷检测存在的速度低和准确率不高等问题,提出了一种基于改进YOLOv4-tiny模型的PCB表面缺陷检测算法。首先,采用了优化后的聚类方法对缺陷数据集进行聚类,以解决初始先验框不适合PCB表面缺陷检测的问题;其次,为了解决主干网络在下采样时可能丢失小尺度目标信息的问题,引入了切片操作;接着,在特征融合网络中,引入了软池化卷积结构,以提高模型感受野,增强对小目标特征的表达能力;最后,通过引入改进后的交叉熵损失函数优化了损失函数。在北京大学开源的印刷电路板缺陷数据集上验证了所提算法的效果,结果表明,相较于其他经典算法,所提算法在检测速度、精度和模型参数量等指标上都有较大的提升。