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%。     

基于可变形残差卷积与伸缩式特征金字塔算法的PCB缺陷检测

近年来深度学习技术在印刷电路板（Printed Circust Boord,PCB）缺陷检测上已获得快速进步,但现有算法针对PCB图像中多尺度高密度微小缺陷目标,如何精准高效地提取特征,提高检测精度及速度依然存在巨大挑战。提出了一种可变形残差卷积与伸缩式特征金字塔的PCB缺陷检测算法。在Faster RCNN的基础上,通过引入可变形残差卷积模块替换原始VGG16网络进行通道关系校准,提高算法对复杂缺陷目标特征的语义获取能力;利用一种伸缩式改进的特征金字塔NAS-FPN网络与原区域建议RPN网络融合,以改善算法对多尺度微小缺陷目标的识别能力;结合IoU Loss、Matrix NMS等tricks组合综合优化网络的检测精度及速度。通过实验,相比原始Faster RCNN,检测精度从90.08%提升到99.41%,检测速率从4.08 frame/s提升到6.47 frame/s。该方法能实现检测精度及速度双高的PCB缺陷检测,具有一定的实际意义。     

基于注意力机制与多尺度融合的PCB缺陷检测

针对印制电路板(PCB)缺陷区域受背景干扰过多以及缺陷目标尺度较小导致缺陷检测精度低的问题,提出了一种基于注意力机制与多尺度融合的PCB缺陷检测方法。在YOLOv5模型的特征提取网络中,引入一种三维注意力模块,以增强缺陷目标特征的显著度,使模型更加注重目标特征;为充分利用微小缺陷目标的多尺度特征,在特征融合网络中引入加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN),减少缺陷目标特征信息的丢失,提高模型对微小缺陷目标的检测精度。实验结果表明,该方法能够准确检测出PCB图像中的缺陷目标,在保证实时性的同时,较原方法的平均检测精度提高了3.9%,表明了该方法的有效性。     

基于改进YOLOv5的PCB小目标缺陷检测研究

面对印刷电路板(print circuit board,PCB)小型化、多层化、高集成化的趋势,针对目前PCB缺陷检测方法存在漏检、特征提取困难、误检率高以及检测性能差等问题,本文提出了基于改进YOLOv5算法的PCB小目标缺陷检测方法。该方法先针对PCB小目标缺陷特点采用DBSCAN(density-based spatial clustering of applications with noise) +二分K-means聚类算法以找到更适合的锚框;然后对YOLOv5的特征提取层、特征融合层以及特征检测层进行改进,增强关键信息的提取,加强深层信息与浅层信息的融合;从而减少PCB缺陷的误检率、漏检率,以提高网络的检测性能;最后在公开PCB数据集上进行相关对比实验。结果表明,改进后模型的平均精度(mAP)为99.5%,检测速度为0.016 s。相比于Faster R-CNN、YOLOv3、YOLOv4网络模型,检测精度分别提升了17.8%、9.7%、5.3%,检测速度分别提升了0.846 s、0.120 s、0.011 s,满足PCB缺陷在实际工业生产现场的高精度、高速度检测要求。     

基于改进YOLOv5s的Deep PCB缺陷检测算法研究

现有PCB缺陷检测方法的精确率较低而且模型复杂度也较高.针对这个问题,提出了基于改进YOLOv5s的Deep PCB缺陷检测算法.该算法在颈部网络（Neck）的C3层后添加了卷积注意力模块（Convolutional Block Attention Module,CBAM）,对小目标的检测建立特征映射关系,对特征图进行注意力重构,赋予了小目标更高的特征权重,提高网络对印刷电路板（Printed Circuit Board,PCB）图像中小目标的特征提取能力.为了从根本上解决目标特征冗余的问题,实现网络的轻量化,并且确保网络检测的精确度,提出使用Ghost Conv模块替换Conv模块,同时将C3模块改为Ghost Bottleneck模块.使用有效交并比损失（EIOU Loss）函数代替完全交并比损失（CIOU Loss）函数,减小了预测框宽高与置信度的真实差值,减少了网络的回归损失.使用上海交通大学图像处理与模式识别研究所公开的Deep PCB数据集开展实验,结果表明本文算法相较于YOLOv5s,在IOU=0.5时,mAP提升了6.8%,速度提升了4.7 Fps,模型大小减少了2.9...     

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。     

改进YOLOv5的轻量级PCB缺陷检测算法

针对目前印刷电路板(PCB)工业缺陷检测方法存在准确率低和模型较大的问题,提出了一种基于YOLOv5改进的PCB——YOLOv5-L。该方法采用轻量化网络GhostNet作为模型的特征提取网络,解决YOLOv5模型参数过多从而难以部署在工业缺陷检测设备的问题。通过改进Neck结构,融合深层语义信息与浅层的细粒度信息,提高模型对PCB这种小目标缺陷的检测效果。在YOLOv5-L主干网络输出端引入一种混合注意力机制H＿ECA,帮助模型抵抗混淆信息的影响,并专注于有用的缺陷信息。将Transformer应用于预测头部,提高模型捕获不同局部信息的能力。利用北京大学实验室公开发布的PCB缺陷数据集进行实验,实验结果表明,该方法相较于YOLOv5,在IoU设置为0.5时mAP提升了0.6%,速度提升了7.5帧/秒,模型大小为34 MB,约为YOLOv5的1/5。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

基于X-Ray图像的锂电池电极检测方法

针对锂电池X-Ray图像中电极排布密集且模糊导致工业生产中难以高效检测的问题,提出了一种锂电池电极位置检测的方法。首先通过调整YOLOv5的骨干网络来增强模型对于目标特征的提取能力;其次,针对目标排布密集且像素占比较小的问题,增加目标检测层来提升模型对于小目标的检测性能;同时由于图像中的阴阳极特征较弱,引入注意力机制来进一步加强网络的特征提取能力;最后选取CIoU损失函数来提高定位精度。实验结果表明,提出的方法与主流目标检测方法YOLOv3、YOLOv4、RetinaNet、YOLOv5、TPH-YOLOv5相比,在性能上具有优势,与原始YOLOv5算法相比,mAP提高了约15.2%。提出的方法可以有效改善锂电池电极位置检测的准确性,有助于提高工业生产中锂电池缺陷检测的效率。     

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。     

用于PCB缺陷检测系统的YOLOv5算法设计

本文提出了ATCSP-YOLOv5用于PCB中的小目标检测。将跨阶段局部网络（CSPNet）的思想和Transformer中多头自注意力机制（Multi-Head Attention）相结合,在YOLOv5的主干网络中加入多头自注意力跨阶段局部网络（ATCSP）模块。同时,在特征金字塔部分融合生成感受野更小的目标检测层,用于添加小目标探测头。除此之外,还使用了SRGAN和数据增强来扩充数据集,更好的实现了缺陷检测。在实验中ATCSP-YOLOv5的mAP@0.5为98.38%,相较于原始的YOLOv5s提升了3.06%,同时检测速度没有明显下降。     

地面小目标快速检测算法研究

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。      

基于改进Mask R-CNN算法的孔探缺陷自动检测研究

针对发动机孔探缺陷自动识别存在识别缺陷类型单一、小目标缺陷识别效果较差的问题,将深度残差网络引入到发动机孔探检测中,提出一种改进Mask R-CNN算法的发动机孔探缺陷检测算法。通过引入SENet模块及改进传统的NMS算法,有效提高了模型对四种缺陷的检测精度;同时提出keras自定义优化器,加快模型的收敛速度。在孔探缺陷数据集上对改进模型进行评估,测试结果表明,改进的Mask R-CNN算法对四种缺陷类型的检测正确率均高达90%以上,对于小目标缺陷的识别效果有了明显提高,性能优于原始模型。     

目标检测与图像分类网络融合的金属化陶瓷环缺陷检测

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。     

基于机器视觉的柔性电路板智能检测控制系统设计

本文设计了基于机器视觉的智能检测控制系统,以PLC为控制核心,将机械臂、机器视觉系统和自动运输平台通过工业以太网相结合,解决在实际生产线上的PCB检测以及与MES系统通信的问题。依靠机械臂将刚生产好的PCB板抓取到自动运输平台上,平台自行移动到多个检测位置,同时机器视觉系统拍照,提取PCB的相关数据并进行缺陷检测,极大的提高了生产效率,并使得PCB缺陷、错漏插元件等漏检率降到0%,产品的效率和质量都得到极大的提高。     

X-RAY检测技术在PCB板中的应用

该文针对PCB板中元器件多样化存在的一些焊点质量检测难点及不同检测条件的限制,简明扼要地介绍X-ray检测技术的原理,通过对常见器件种类缺陷图片检测分析,总结出各种缺陷在检测时的注意事项,提出最优检测流程,从而提高缺陷检测能力。     

基于最小误差算法的BGA图像分割

针对BGA封装元器件焊点的空洞缺陷难以用常规方法检测的问题,本文利用数字图像处理理论中的图像分割技术对基于X射线所采集的图像检测BGA元器件焊点在PCB板上所存在的空洞缺陷。针对一些经典分割算法的优缺点,本文提出一种首先将X射线图像根据其灰度特征,投影到不同的小区域然后在不同的小区域内使用最小误差算法相结合的方法,实现了焊点图像的分割检测,并给出了相关实验结果。实验结果表明本文的方法在分割检测BGA图像的空洞缺陷上是有效的。     

基于LED技术在自动光学检测AOI系统的研究应用

近十几年来由于表面贴装技术的发展,电子组装元件的微型化和密集化,自动光学检测系统已被成功地运用在印刷电路板的检测。自动光学检测AOI系统在PCB是电子产品中得到了广泛的应用。PCB板是电子工业的基础,几乎每种电子设备小到电子手表、计算器、大到计算机、通讯电子设备、军用武器系统、只要有集成电路等电子元器件为了它们之间的电气互连都要使用PCB检测中。PCB的设计和制造质量直接影响到整个电子产品的质量和成本,甚至导致商业竞争的成败,尤其是PCB的缺陷是影响其最终产品质量的一个重要因素。出现电子线路板组装技术以来,组装技术迅速发展,并且基本上沿着人工焊接→自动化插装焊接→表面贴装这样一个路线发展因此电子元件越来越密集,相应地要求PCB板的检测技术也随之有着阶段性发展。自动光学AOI的检测技术主要经历人工目检、上电测试和自动光学检测、自动X光检测等发展阶段。在PCB板的检测主要是采用人工目检MVI的方式,依靠人眼加(5-40倍左右)放大装置进行PCB板检查工作,这种方式检测速度慢并且漏检率高,同时还会导致检测人员视力下降影响人体健康。随着PCB板向高密度发展人工目检已经很难查出缺陷,人工目检效率随电路密度增加而下降。当导线宽度和间距小于0.2mm以下时,人工目检大约漏掉20%的缺陷。由于有些漏检的缺陷无法修整,往往导致整块PCB报废,大大增加生产成本降低生产率,因此人工目检已经不能满足PCB板检测的可靠性要求。     

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。     

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。