融合注意力机制与双向特征加权的PCB缺陷识别

针对现有的印刷电路板(PCB)缺陷检测识别方法存在网络模型结构复杂、误检率高等问题,提出了一种融合视觉注意力机制与双向特征加权的PCB缺陷识别方法。首先,在YOLOv5网络结构的基础上通过使用加权双向特征金字塔网络(BiFPN)来加速多尺度融合;其次,引入视觉注意力机制和替换损失函数,增加过滤冗余信息,强化模型对微小目标的提取能力。在PKU-Market-PCB数据集上的实验结果表明,文中方法对各类缺陷的检测精度高达97.4%,与原始的YOLOv5网络及其他文献方法均有显著提升,实验结果表明了该算法在对微小目标检测识别上进一步提升了性能。     

基于图像的线路缺陷检测

运用图像处理技术,设计PCB板线路检测系统。采用Labview语言编写图像预处理、阈值分割、形态学滤波、缺陷识别等程序模块,并针对PCB图像特点,根据线路缺陷的特征,构建一个能够分析和识别PCB线路断路、短路、缺损和毛刺等缺陷的PCB板线路检测系统。实验结果表明,该检测系统能够比较好地识别PCB板线路缺陷,且算法操作简单,有广泛的应用前景。     

基于改进YOLOv3的印刷电路板缺陷检测算法

针对现有基于深度学习的印刷电路板(PCB)缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷.将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量.引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力.改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个.使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度.实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×107，平均检测速度为36帧/s，满足精度和效率的要求.     

基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.     

基于改进Faster R-CNN的铝材板缺陷检测研究

针对Faster R-CNN算法对于铝材板缺陷中大小跨度大的缺陷以及缺陷定位不准确的问题,提出改进Faster R-CNN用于铝材板缺陷检测.首先将VGG16特征提取网络替换为ResNet-101融合特征金字塔FPN,以提升模型对尺寸大小跨度大的缺陷的检测能力;其次,针对一些宽高比相差悬殊的铝材板缺陷定位不准问题提出K-means++聚类算法,用聚类结果调整基础锚框宽高比,使得模型更好框住缺陷以及一定程度上提升模型检测准确度.改进Faster R-CNN模型相比于传统Faster R-CNN模型准确率由79.5%提升至92.93%.     

CGB-YOLO:用于检测钢铁表面缺陷的YOLO算法

针对YOLOv5对金属表面细小缺陷或微观缺陷的检测结果易受背景干扰的问题,提出了一种改进的金属表面缺陷检测算法。通过在主干网络引入坐标注意力机制,提高模型对缺陷的关注度;将主干网络中的一些CBS和C3模块替换为GhostNetV2结构构建轻量级的网络,优化模型的性能和效率;在Neck层采用双向特征融合网络(BiFPN)来增强颈部以产生丰富的表征,加深整个网络并重用低层次的特征。最后,广泛的实验结果表明,CGB-YOLO在NEU-DET上的精度达到75.0%mAP,比改进前提高了3.8%。该模型在金属表面缺陷检测中具有较好的综合性能。     

PCB分板机的结构设计研究

为提高印制电路板(printed circuit board,PCB)分板的自动化水平,实现与后续工序的良好衔接,本文基于Solidworks三维建模软件,对PCB分板机进行研究。设计了PCB分板机的工作流程和主要机构,建立了PCB分板机的三维模型,模拟了PCB分板机模型的运动过程,并观察PCB分板机模型的运动过程是否会产生干涉,同时根据模拟结果,修改分板机模型,使其运动过程中不产生干涉,实现了与生产线后续工序的衔接,协调完成整个PCB板分板检测包装生产线的运作,提高了生产线效率。该研究对PCB分板生产线具有较好的理论和应用价值。     

基于新型编码解码网络的复杂输电线识别

构建新型编码解码网络实现图像中多根交叉复杂输电线的高精度快速识别.为了减少网络参数,编码器取常规MobileNetV3的前16层,并且采用坐标注意力机制代替常规MobileNetV3的挤压和激励注意力机制,获取特征图的通道信息和位置信息;解码器通过金字塔池化模块获取输电线多尺度特征信息,提高识别精度;采用跳跃链接将编码器第2、4、7、11和13层特征图经锐化核卷积处理后分别与解码器的特征图堆叠,加强复杂输电线边缘特征提取;引入混合损失函数解决图像中输电线像素少、背景像素多的类别不平衡问题;利用迁移学习加快网络训练速度.实验结果表明,新型编码解码网络的平均像素精度(MPA)、平均交并比(MIOU)和识别速度分别为92.18%、84.27%和32帧/s,优于PSPNet、U2Net和其他输电线识别网络的.     

基于注意力模型的输电线路隐患检测

为了提高输电线路巡检效率，解决高空悬挂物和鸟巢检测准确率低的问题，提出将注意力模型集成到YOLOv5网络的输电线路隐患检测算法。该算法将SE注意力模型融入YOLOv5网络当中，得到通道级别的全局特征，增强模型对通道特征的敏感性，提高了对高空悬挂物和鸟巢检测的准确率。在一组输电线路隐患图像上进行广泛实验，结果表明，带有注意力模型的YOLOv5网络对高空悬挂物检测的平均准确率为84.2%，对鸟巢的平均准确率为87.4%，该方法检测到的m AP值比直接使用YOLOv5算法高2%。     

基于改进YOLOv5的推力球轴承表面缺陷检测算法

为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块.在特征网络引入所提模块,忽略无关噪声信息而关注重点信息,提升中小表面缺陷的提取能力.使用实例归一化代替批量归一化,提高模型训练时的收敛速度和检测精度.结果表明,在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0%,召回率达到83.0%,平均精度达到86.1%,平均每张图片检测时间为14.96 ms.相比于YOLOv5s模型,改进模型的准确率提升1.5%,召回率提升7.3%,平均精度提升7.9%.与原模型相比,改进YOLOv5模型有更好的缺陷定位能力和较高的准确度,能够减小检测过程中的异物对检测结果造成的干扰,检测速度满足工业大批量检测的要求.     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

板级电子封装跌落／冲击中焊点应力分析

建立了板级BGA封装跌落/冲击问题的三维有限元模型,采用Input-G方法对PCB板的变形及焊锡接点应力等动力学响应进行了分析,探讨了约束条件对计算结果的影响,对焊点剥离应力产生的机理进行了讨论,提出了快速估算焊点应力的等效静力学模型并分析了误差.结果表明,模型中PCB板固定螺栓处的约束条件处理对结果有较大影响,合理的处理方法是在PCB板4个螺栓作用区的上下表面均施加水平方向位移约束.焊点应力最大值出现在冲击后0.4 ms,最大剥离应力发生在角部焊点与PCB板一侧的铜垫交界处.焊点应力与PCB板的弯曲变形密切相关,应力峰值和PCB板的变形峰值在时间上具有同步性.挠度等效静力学模型得到的焊点应力比动力学模型高23%左右.     

PCB板动态分析等效建模方法

提出一种基于等效杨氏模量的等效建模方法,该方法以保持等效前后PCB板固有频率相等为原则,将实际PCB板等效为均质、等厚的光板。利用单位杨氏模量模型,推导出第i阶等效模型的杨氏模量,基于最小二乘法求得多阶频率下等效杨氏模量表达式。分析了元器件和PCB板接触面积、元器件高度对等效杨氏模量的影响。实例应用表明,等效方法可使建模过程大大简化,网格数量大幅度减少。     

基于YOLOv4-MP的绝缘子爆裂缺陷检测方法

针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题，提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先，为减少复杂背景的干扰，在特征提取网络中嵌入Shuffle Attention注意力模块，使模型能够提取到更加有效的特征信息。其次，为增强特征融合的效果，在空间金字塔池化中引入带空洞的池化层，能够有效增大感受野。最后，为减少低层信息的丢失，采用Mish函数作为路径增强网络的激活函数。实验结果表明，YOLOv4-MP的平均精度均值(Mean Average Precision, mAP)达到了93.60%，比YOLOv4算法提升了6.37%。与常用的检测算法相比，YOLOv4-MP具有更好的检测性能，对于绝缘子爆裂缺陷检测具有较大应用价值。     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。     

基于LabVIEW的图像拼接技术在PCB板在线检测系统中的应用

PCB板的检测是电子设备制造过程中的重要环节,它是产品质量和性能达标的重要保障。检测系统在采集PCB图像时,需要进行多次局部成像,再进行图像拼接操作来获得被检测PCB的全景图像,以进行后续的模式识别和缺陷检测。介绍了一种快速配准的算法,并使用LabVIEW编程对所采集到的PCB图像进行拼接。通过实验证明,所讨论的拼接方法能够达到满意的拼接结果。     

基于深度学习的牙模3D打印缺陷检测方法研究

牙模3D打印过程中出现的质量缺陷影响着牙模的外观和使用性能，严重时导致废品率高，造成时间、材料的浪费。为了减少牙模3D打印的废品率，提出了一种基于YOLOv5的牙模3D打印实时缺陷检测方案：首先获取多维度牙模缺陷图片，采用切图分割与数据增强处理等方式制作数据集，然后通过构建YOLOv5深度学习网络模型对牙模3D打印图像进行迭代训练，最后通过YOLOv5程序调用摄像头并使用训练后最佳权重值进行实时在线缺陷检测。通过实验对比，YOLOv5深度学习网络模型的检测准确率要高于Faster R-CNN、YOLOv3、SSD这3种模型，其检测平均准确度高达94.78%,平均检测时间为21 ms。结果表明该方法能够检测牙模3D打印过程中的质量缺陷问题。     

基于机器视觉的PCB板表面缺陷检测方法研究进展

基于机器视觉的缺陷检测方法可有效提高生产效率和降低质检成本,在现代化工业生产中得到了广泛应用.对基于机器视觉的PCB板表面缺陷检测方法涉及的图像采集系统、图像预处理技术进行综述;对基于图像分割、特征提取、机器学习和混合技术的检测算法进行分析,总结了各种算法的主要思想、适用范围以及局限性;同时对未来的发展方向进行了展望,...     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。     

一种基于改进U-Net模型的电磁层析成像算法

为解决电磁层析成像（electromagnetic tomography,EMT）传统成像算法由于逆问题的不适定性和病态性导致重建图像质量差的问题，提出了一种基于改进U-Net深度网络模型的新型电磁层析成像方法。首先，以UNet深度网络模型为基础，加入残差模块使网络提取更多特征信息并避免网络训练时梯度消失的问题；其次在此结构上引入注意力机制来提升重要特征信息，抑制无用的特征信息，加强对缺陷边缘和形状特征的权重分配。通过仿真和金属缺陷检测实验评估了本文所提出算法的性能，并与线性反投影算法和共轭梯度算法进行了对比。仿真实验和金属缺陷检测实验结果表明：本文提出的算法在精确率、召回率和F1-Score分别达到88.41%、90.38%和89.38%，重建图像对于缺陷位置和形状的预测更为准确。