基于增强小目标特征提取的PCB板缺陷检测模型

针对印制电路板(PCB)表面缺陷所具有的分辨率低、小目标性以及多样性等问题,提出基于YOLOv5的增强小目标特征提取的PCB板缺陷检测模型——SPDYOLOv5模型。在主干网络引入SPDConv,提高主干网络对各尺度特征的提取能力。在主干网络最深层加入CA注意力,加强深层信息的传递能力。提出T3Head特征融合结构,在上下采样阶段融入CBAM注意力机制,加强各尺度间的信息传递能力;借助转置卷积和空间深度卷积,优化特征融合结构对小目标特征的表达能力。在训练过程中,迁移VOC预训练权重加速收敛。采用EIOU-NMS进行后处理,改善模型检测效果。实验结果表明:文中模型在北京大学开源PCB板缺陷数据集上mAP0.5可达92.4%,性能优于其他检测方法。

基于改进YOLOv5s的麦穗检测算法研究

【目的】解决麦穗检测中麦穗之间相互遮挡、麦穗在图像中难以检测和不同环境造成目标模糊等情况导致麦穗检测精度低的问题。【方法】笔者提出一种基于改进YOLOv5s的算法,通过将数据集同时进行离线增强和在线增强,再将YOLOv5s的骨干网络进行改进,增添具有注意力机制的transformer模块,强化主干网络的全局特征信息提取能力,neck结构由原来的PAFPN改为具有双向加强融合的BiFPN特征融合网络,进行多尺度的特征融合。最后,在head部分使用EIoU-NMS来替代NMS,提高对遮挡麦穗的识别度。【结果】相比于其他改进单一结构的YOLOv5s模型,此综合性改进模型具有更好的检测效果,使mAP@0.5:0.95提高了1.4%,改进的算法比原始YOLOv5s算法的mAP@0.5提高了1.8%。【结论】使用离线增强和在线增强的方式可以使模型的精度有所提升;该模型的改进有效增强了麦穗识别过程中特征融合的效率,提高了麦穗检测的效果,能够为后续相关模型的改进升级提供参考。