基于改进YOLOv8的PCB缺陷检测算法

针对目前大多数印刷电路板(printed circuit board,PCB)缺陷检测算法中准确度较低、模型较大及移动部署不便的问题,提出了一种改进的YOLOv8算法.该算法使用GhostNet和HGNetV2的结合作为网络主干,增加小目标检测层和坐标注意力机制,采用动态上采样器(DySample)替换最邻近上采样算子以提升检测精度,将选定锚框的交并比(intersection over union,IoU)改为Inner-CIoU.结果显示,相较于原始YOLOv8算法,改进后算法的检测精度提升了2.0百分点,达到97.6%,召回率提升了2.8百分点,达到94.5%,参数量减少了24.58%,模型大小仅为4.84 MB,检测速度达到216.6帧/s.检测精度的提升和模型体积的显著减小,使得改进算法能更好地满足工业场景对PCB缺陷检测的要求.

深度学习与特征多尺度融合的PCB表面缺陷检测

印刷电路板(Printed Circuit Board,PCB)作为电子设备的核心,其性能和可靠性对电子产品至关重要。鉴于传统检测方法在效率和准确性上的局限性,旨在通过技术创新显著提升PCB缺陷检测的性能。为此,构建了YOLOv8-Defect模型,该模型在YOLOv8的基础上进行优化,包括引入SEAttention机制、Soft-NMS算法和Wise-IoU技术,并对C2f架构进行了升级至C3架构。通过先进的数据增强技术和模型训练策略,YOLOv8-Defect在检测PCB表面缺陷方面实现了性能的显著提升。实验结果表明,该模型不仅能够高效地识别电路板上的微小缺陷,还能实现实时监控,确保了检测过程的连续性和即时性。研究成果不仅为工业质量检测领域带来了创新的解决方案,也彰显了深度学习技术在解决实际工业挑战中的巨大应用潜力,为电子设备质量和生产效率的提高提供了坚实的技术支撑。

新能源汽车散热膏PCB的制作研究

印制电路板是新能源汽车电源管理系统(BMS)的载体。由于受大电流要求及模具尺寸限制,印制电路板(PCB)散热面临严峻挑战。大电流产生的热量,造成系统内部温度急剧升高,因此,对BMS设计来说,PCB的散热设计十分必要。结合具体生产实例,对PCB散热膏制作展开研究和探讨,以期为业内散热膏印制电路板制作提供参考。

【行业活动】这一PCB企业举行20周年庆典

2024年12月31日,荣伟业集团迎来了其成立20周年的重要时刻,一场盛大的庆典活动在信丰格兰云天大酒店拉开帷幕。众多客户代表、供应商代表以及荣伟业的全体员工共同参与了这一意义非凡的活动。CPCA副秘书长冼彤受邀出席活动。

新能源智能化汽车用PCB可靠性研究

新能源汽车近年来得到快速普及,给车载印制电路板(PCB)带来新的机遇和挑战。在概述新能源智能化五域模型即动力域、智驾域、车身域、底盘域和座舱域的基础上,重点围绕动力域快充与逆变器PCB的高压导电阳极丝(CAF)保证性、智驾域感知层毫米波雷达PCB的高频天线稳定性、智驾域决策层域控器PCB的高阶制作可靠性、智驾域执行层线圈板PCB的高精电感准确性、座舱域高密通信模组PCB的高质锡裂可控性等5类重点问题进行了相关技术阐述和案例分享。

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%。

PCB化学镀铜新型稳定剂配方与工艺研究

考察了在以EDTA为主络合剂、三聚甲醛为还原剂、酒石酸钾钠为辅助络合剂的化学镀铜基础液里甲醇含量和添加剂盐酸胍、亚铁氰化钾、1,1-联吡啶对镀液性能的影响,同时研究了其中任何一种化合物含量的变化对印刷电路板镀性的影响,得到了适宜的配方和试验条件,实验结果表明:配方中各种添加剂对镀液性能的影响程度不同,少量甲醇的添加能显著抑制甲醛的分解,聚甲醛的使用较甲醛方便,改善了操作环境。添加稳定剂明显改善了镀液的性能,镀液温度可以提高到50℃,生产效率提高。

基于SMT-YOLOv8的PCB缺陷检测研究

针对PCB缺陷检测中目标尺寸小、权重文件庞大难以部署的问题,提出一种改进的YOLOv8小目标缺陷检测方法。该方法将SE注意力机制融入C2f中,使网络能够根据通道域的信息给图像不同位置赋予不同的权重,获取更重要的特征信息;在SPPF中引入Basic RFB以增强网络感受野,提升网络的特征提取能力;新增小目标检测尺度,提升模型对微小缺陷的检测能力;舍弃大目标检测尺度,降低计算负荷并缩小权重文件。实验结果表明,在公开的PCB缺陷数据集,改进后的YOLOv8较原算法平均精度提升了2.6%、权重文件缩小了27.3%、FPS达到34.4 ms/帧。

PCB可靠性测试评估方法简述

印制电路板(PCB)技术向高密度、高集成化等方向发展,导致PCB可靠性问题日益凸显。针对PCB失效机理,并结合现有PCB标准及实践应用情况,详细介绍了3种PCB可靠性测试评估的方法——失效率预计法、加速试验预计法和试验鉴定法,以期为从业者开展PCB可靠性测试评估提供一定的帮助。

224G高速互联对PCB及覆铜板需求和挑战

带宽需求连年暴涨,单一通道带宽224Gbps技术将加速超大规模云数据中心平台向1.6T演进,成为数据中心连接企业和运营商市场的一项重要技术。针对1.6T互联技术,目前业界主推224G高速互联PCB,这对PCB和覆铜板技术带来巨大挑战。本文重点对224G高速PCB关键技术需求及目前研究进展做介绍。

基于LabVIEW和YOLOv5的PCB缺陷检测方法

传统基于视觉处理的PCB缺陷检测方法通常依赖于人工预设规则下的特征提取,对不同缺陷类型和环境变化的适应性较差。针对这些问题,本文提出了一种基于LabVIEW平台的YOLOv5缺陷检测系统,实现了深度学习与Lab⁃VIEW的结合,提高了缺陷检测的泛化能力。在使用Python完成数据集训练的基础上,将YOLOv5的推理脚本封装为函数,并在LabVIEW平台上通过Python节点调用该推理函数,对摄像机实时采集或照片形式的PCB样品进行缺陷检测和标注。实验表明,该方法具有良好的样本适应性和易于优化等优点,拓展了LabVIEW的视觉处理功能。

高功率微波电磁脉冲对铁路PCB类设备的危害影响及防护措施研究

随着我国铁路朝着电气化和信息化方向不断发展,各种由精密PCB设计集成的电力电子设备广泛应用于各种强弱电系统,当这些设备遭受高功率微波等强电磁脉冲武器照射攻击时,若自身防护能效不足,则会导致设备出现异常状态,直接或间接地影响行车安全。文章通过建模仿真分析高功率微波电磁脉冲对铁路PCB设备的辐射影响和危害评估,并从工程角度提出了一些针对铁路PCB设备应对强电磁冲击的防护建议。

TIA组态控制功能在PCB组装工艺中的应用

针对印刷电路板(PCB)组装工艺装贴方式多样,生产线工艺切换需要改变硬件组态和优化工艺流程,导致生产线停机时间加长、维护成本升高、生产效率降低等问题。以西门子PLC和分布式IO模块为例,提出了组态控制功能在PCB组装系统中的应用方案。采用最大硬件方案组态形成标准机器项目。根据不同的生产工艺、不同的生产方案,存储在专门的组态控制数据块中。当需要切换PCB组装工艺时,加载相应的组态方案,就可以运行新的组态项目和生产工艺,达到快速完成生产工艺切换的目的。使用西门子TIA博途V17的仿真检验,验证了组态控制功能的有效性和可靠性。

基于机器视觉的PCB缺陷检测关键技术研究

机器视觉技术广泛应用于工业领域,可以对不同类型的产品进行捕捉、分类、分析及检测。针对PCB缺陷检测(Automated Optical Inspection,即AOI)过程中可能产生图像失真或数据失真的情况,对图像采集原理进行了剖析,提出了九点标定方法,通过机器视觉平台验证,九点标定方法较准确地实现了世界坐标数据与图像坐标系数据的转换,得到了预想的数据结果。PCB缺陷检测可快速批量化为产品质检,具有较好的应用前景和参考价值。

基于改进YOLOv5的PCB缺陷检测方法研究

随着工业制造业的发展,印刷电路板(PCB)在电子产品制造中愈发重要。在PCB生产过程中,存在着各种各样的不良缺陷,因此急需一种高效的PCB缺陷检测方法。针对传统的YOLOv5目标检测算法中对于PCB图像检测中存在小目标缺陷检测准确率低的问题,提出了一种基于改进的YOLOv5的PCB缺陷检测方法。首先,针对小目标缺陷存在漏检的问题,在YOLOv5的特征提取网络中加入了高效通道注意力机制(SE)模块,提高对小目标缺陷的特征提取能力,从而提高小目标缺陷的检测精度;其次,为了优化和改进原YOLOv5算法,采用加权损失函数代替原来的损失函数,以充分学习图像的各种特征。在北京大学机器人实验室公开的PCB瑕疵数据集上进行测试,实验结果显示,改进后的模型提高了小目标缺陷检测效果,其mAP值为94.54%,比原算法模型提高了2.1%。可以准确地完成工业生产的印制电路板的缺陷检测任务。

基于轻量级YOLOv8n网络的PCB缺陷检测算法

针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级YOLOv8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于YOLOv8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。

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%。

一种改进YOLOv5模型的PCB板缺陷检测方法

针对传统PCB板检测方法中检测效率不高,检测精度较低等缺点,提出了一种改进YOLOv5模型的PCB板缺陷检测方法。为提升小目标缺陷检测精度,构建了基于BiFPN的网络连接方式,更加充分地利用了不同尺度的特征信息;为了更好地捕捉目标缺陷的位置,引入了Coordinate Attention注意力机制,使模型的定位和目标捕捉更加精准。实验结果表明,较原始的YOLOv5模型,所提出的针对PCB板表面缺陷检测方法的均值平均精度提高了3.2%。

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。