許思昂，李藝杰，梁橋康，楊彬

基于改進(jìn)YOLOv5算法的PCB裸板缺陷檢測(cè)

許思昂1,2,3，李藝杰1,2,3，梁橋康1,2,3，楊彬1,2,3

（1.湖南大學(xué) 電氣與信息工程學(xué)院，長(zhǎng)沙 410082；2.電子制造業(yè)智能機(jī)器人技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410082；3.機(jī)器人視覺(jué)感知與控制技術(shù)國(guó)家工程實(shí)驗(yàn)室，長(zhǎng)沙 410082）

將基于深度學(xué)習(xí)的YOLOv5算法應(yīng)用于PCB裸板的缺陷檢測(cè)上，以提高檢測(cè)的準(zhǔn)確率。通過(guò)增加特征融合通路,將C2、C3、C4層直接與P2、P3、P4層相連，從而減小信息的損耗；引入更淺層的C2、F2、P2特征圖以增加圖像的細(xì)節(jié)信息；并且使用注意力機(jī)制SE_block，大幅提高原算法的準(zhǔn)確率。改進(jìn)后的網(wǎng)絡(luò)的平均精度由91.54%提高至97.36%，提高了5.82%，并且對(duì)于各類缺陷，算法的檢測(cè)精度都能保持在90%以上，滿足工業(yè)的需求。文中的算法提高了檢測(cè)精度，體現(xiàn)了淺層信息在小目標(biāo)檢測(cè)上的作用，驗(yàn)證了多信息融合通路的優(yōu)勢(shì)，彰顯了注意力機(jī)制的優(yōu)越性，相比于原算法具有一定的優(yōu)勢(shì)。

PCB裸板；YOLOv5；缺陷檢測(cè)；深度學(xué)習(xí)；目標(biāo)檢測(cè)

傳統(tǒng)印刷電路板檢測(cè)是工人借助檢測(cè)設(shè)備，通過(guò)肉眼和經(jīng)驗(yàn)來(lái)檢測(cè)目標(biāo)的一種檢測(cè)方法。這種方法因人的主觀因素的存在而產(chǎn)生準(zhǔn)確率低、人員成本投入較大等缺點(diǎn)。之后出現(xiàn)了利用元件的電性質(zhì)來(lái)檢測(cè)印刷電路板的故障的電檢測(cè)法，這種方法相比人工檢測(cè)來(lái)說(shuō)減少了成本，但需要元件與檢測(cè)器產(chǎn)生電接觸，可能存在損壞元件的問(wèn)題。

隨著機(jī)器視覺(jué)的逐漸成熟，機(jī)器視覺(jué)由于其更低的成本、更高的準(zhǔn)確率和效率等優(yōu)勢(shì)而被人們逐漸應(yīng)用于各大檢測(cè)現(xiàn)場(chǎng)。目前，基于機(jī)器視覺(jué)的PCB板缺陷檢測(cè)方法[1]主要有三大類：參考法[2]常表示使用圖像分割的檢測(cè)方法，如文獻(xiàn)[3]提出通過(guò)比較目標(biāo)與標(biāo)準(zhǔn)圖像的像素來(lái)分辨缺陷；非參考法[4]主要指使用機(jī)器學(xué)習(xí)的檢測(cè)方法；混合法[5]是同時(shí)使用以上2種方法。圖像分割方法包括：基于閾值分割方法的PCB缺陷檢測(cè)，如Ardhy等[6]通過(guò)自適應(yīng)的高斯閾值分割，在參數(shù)量較小的情況下實(shí)現(xiàn)了快速檢測(cè)，但在光線條件不同的地方，檢測(cè)效果會(huì)有較大變化；基于邊緣分割方法的缺陷檢測(cè)，如Baygin等[7]使用Hough變換進(jìn)行邊緣分割，并結(jié)合Canny算子，使檢測(cè)效率得到了提高；基于區(qū)域分割的缺陷檢測(cè)，如Ma等[8]改進(jìn)了區(qū)域生長(zhǎng)算法，以此獲得了更好的檢測(cè)效果。這些方法都需要人工設(shè)定模型的參數(shù)，無(wú)法保證精確度和效率。

近些年卷積神經(jīng)網(wǎng)絡(luò)的性能得到了驗(yàn)證，一系列利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的算法應(yīng)用廣泛，如以高檢測(cè)精度著稱的二階段檢測(cè)算法（如R–CNN[9]、Faster R–CNN[10]）和精度和速度并重的一階段檢測(cè)算法（如YOLO[11]、SSD[12]）等。相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)的算法網(wǎng)絡(luò)更深，非線性能力較強(qiáng)，適用于更多復(fù)雜場(chǎng)所，具有更高的魯棒性[13]。其中，在Faster R–CNN的基礎(chǔ)上，賀賢珍[14]提出的一種改進(jìn)措施，使精度達(dá)到了96.91%；耿朝暉等[15]提出一種改進(jìn)檢測(cè)方法，將損失函數(shù)改為focal loss并替換主干網(wǎng)絡(luò)為ResNet50，使檢測(cè)精度達(dá)到了96.65%。但Faster R–CNN算法作為先生成候選區(qū)域，再進(jìn)行分類的二階段算法，它檢測(cè)速度較YOLO算法慢，在實(shí)際工業(yè)應(yīng)用中缺少優(yōu)勢(shì)。同時(shí)2種算法都采用了FPN特征金字塔的多尺度融合方式，但沒(méi)有針對(duì)小目標(biāo)的數(shù)據(jù)集為多個(gè)尺度賦予不同的注意力，而是對(duì)所有的尺度給予相同的權(quán)重?；谝陨纤惴ù嬖诘娜毕?，文中以YOLOv5算法為基礎(chǔ)，通過(guò)構(gòu)建更淺層的F2、P2層，利用特征提取網(wǎng)絡(luò)的C2、C3、C4特征層將它們與最終的P2、P3、P4層相連，并引入注意力機(jī)制SE_block，改進(jìn)對(duì)于PCB的檢測(cè)算法，在一定程度上減小這些缺點(diǎn)對(duì)算法的影響。

1 YOLOv5簡(jiǎn)述

YOLO（You Only Look Once）從v1發(fā)展到如今的v5，已經(jīng)發(fā)展為兼顧準(zhǔn)確率與速度的算法。根據(jù)網(wǎng)絡(luò)深度與寬度的不同，yolov5又可分為s、m、l、x這4個(gè)版本。文中采用的算法為YOLOv5s，其結(jié)構(gòu)見圖1。

YOLOv5借鑒了跨階段局部網(wǎng)絡(luò)[16]（Cross Stage Partial Network，CSPNet）的思想，使用CSPdarknet作為主干網(wǎng)絡(luò)，并引入了Focus切片結(jié)構(gòu)。Focus在圖片進(jìn)入網(wǎng)絡(luò)前，將其切片為4張圖片，使得三通道的圖片擴(kuò)展為12個(gè)通道，然后將其卷積操作得到最終輸入網(wǎng)絡(luò)的特征圖，以此來(lái)保留更多的圖像信息。Focus操作過(guò)程見圖2。

圖1 YOLOv5結(jié)構(gòu)

圖2 Focus結(jié)構(gòu)

Focus切片后的圖片，經(jīng)過(guò)CONV卷積層，對(duì)數(shù)據(jù)進(jìn)行卷積、正則化、激活函數(shù)激活后，通過(guò)C3進(jìn)行殘差塊的堆疊，能夠在減少計(jì)算量的同時(shí)保持準(zhǔn)確，提高模型的學(xué)習(xí)能力。文中使用的C3及bottleneck的結(jié)構(gòu)見圖3。YOLOv5設(shè)計(jì)了2種不同的bottleneck結(jié)構(gòu)：使用了殘差邊的bottleneckTrue和不使用殘差邊的bottleneckFalse。這2種結(jié)構(gòu)分別應(yīng)用于不同的C3中。C3的一部分僅僅通過(guò)卷積處理，另一部分經(jīng)過(guò)卷積塊和Bottlenect堆疊，與殘差部分按通道拼接后，再經(jīng)過(guò)一個(gè)CONV模塊得到最終輸出。

圖3 C3結(jié)構(gòu)圖

與YOLOv3不同的是，YOLOv5采用了ReLU的改進(jìn)版SiLU作為激活函數(shù)。SiLU激活函數(shù)圖像見圖4，SiLU的表達(dá)式見式（1）。

在YOLOv3采用的特征金字塔網(wǎng)絡(luò)[17]（Feature Pyramid Networks，F(xiàn)PN）結(jié)構(gòu)的基礎(chǔ)上，為了增加信息的傳遞通路，減少信息的損耗，YOLOv5與YOLOv4一樣使用了FPN+PANet的結(jié)構(gòu)，見圖5。YOLOv5借鑒了實(shí)例分割路徑聚合網(wǎng)絡(luò)（Path Aggregation Network for Instance Segmentation，PAnet）[18]的思想，通過(guò)加入反金字塔的雙向融合，加強(qiáng)信息在網(wǎng)絡(luò)中的流通，實(shí)現(xiàn)了3個(gè)維度的特征圖的反復(fù)融合。

2 文中方法

2.1 整體結(jié)構(gòu)

對(duì)小目標(biāo)檢測(cè)來(lái)說(shuō)，難點(diǎn)主要在于網(wǎng)絡(luò)的加深會(huì)引起圖像信息的丟失。在網(wǎng)絡(luò)加深的過(guò)程中，小目標(biāo)在特征圖中占據(jù)的像素會(huì)越來(lái)越小，導(dǎo)致檢測(cè)分類的效果不好。針對(duì)以上原因，文中考慮將特征提取網(wǎng)絡(luò)中的C2、C3、C4層以通道融合的方式直接與P2、P3、P4連接，以此增加信息的傳輸通路，減少信息的損耗；同時(shí)構(gòu)建更淺層的F2、P2模塊并引入注意力機(jī)制。最終改動(dòng)后的特征融合網(wǎng)絡(luò)見圖6。

2.2 對(duì)特征融合網(wǎng)絡(luò)的改進(jìn)

在FPN中，在主干網(wǎng)絡(luò)向深層延伸的過(guò)程中，會(huì)使用很多個(gè)卷積塊。經(jīng)過(guò)如此多的網(wǎng)絡(luò)層，淺層信息會(huì)得到較大的損失，使得網(wǎng)絡(luò)對(duì)于部分占比較小的目標(biāo)不敏感導(dǎo)致漏檢。因此，PANet在FPN后添加了一個(gè)倒金字塔結(jié)構(gòu)，可以讓淺層的信息經(jīng)過(guò)很少的網(wǎng)絡(luò)傳到網(wǎng)絡(luò)深處。借鑒PANet的思想，文中考慮將YOLOv5的特征提取網(wǎng)絡(luò)CSPdarknet的一部分特征層直接與PANet相連，增加信息在網(wǎng)絡(luò)中的流通通路，以此減少信息在網(wǎng)絡(luò)中的損失。同時(shí)隨著網(wǎng)絡(luò)的加深，感受野一直增大，主干網(wǎng)絡(luò)在不斷進(jìn)行下采樣的同時(shí)，也會(huì)損失許多細(xì)節(jié)信息。相比深層網(wǎng)絡(luò)，淺層網(wǎng)絡(luò)由于保留了更多的信息，對(duì)小目標(biāo)更敏感。由于文中所面對(duì)的數(shù)據(jù)集主要為小目標(biāo)，故文中同時(shí)也嘗試充分利用淺層信息，引入了更淺層的特征層，將特征提取網(wǎng)絡(luò)CSPdarknet中尺度為（160, 160）的特征層與網(wǎng)絡(luò)融合，以保留更多細(xì)節(jié)。

為了方便理解，文中以式（2）的形式表達(dá)特征融合過(guò)程。

式中：為融合后的特征圖； [ ]表示按通道維度拼接；123為融合的3個(gè)特征圖。那么，特征圖3可用式（3）表示。

同理2可用式（4）表示。

圖6中F2、P2特征層及4個(gè)SE_block結(jié)構(gòu)為文中改動(dòng)新增加的結(jié)構(gòu)。特征圖2、3、4可用式（5）—（7）表示它的形成過(guò)程。

(7)

圖6 文中數(shù)據(jù)融合結(jié)構(gòu)

其中，CSP表示文中采用的C3結(jié)構(gòu)，其結(jié)構(gòu)見圖1。

2.3 注意力機(jī)制SE_block的引入

當(dāng)輸入圖片為（640, 640）時(shí)，YOLOv5輸出3個(gè)不同尺度的預(yù)測(cè)層分別為（80, 80）、（40, 40）、（20, 20），分別負(fù)責(zé)預(yù)測(cè)小、中、大3個(gè)不同尺度的目標(biāo)。而PCB板的缺陷基本局限于小目標(biāo)上，很少有尺寸較大的目標(biāo)。因?yàn)樵W(wǎng)絡(luò)給3個(gè)不同尺度的輸出層給予了相同的權(quán)重，而沒(méi)有給不同大小的特征層賦予不同的注意力，所以文中引入了注意力機(jī)制SE_Block模塊[19]，嘗試通過(guò)給不同尺度預(yù)測(cè)層附加權(quán)重來(lái)突出占比更高的部分。SE_block結(jié)構(gòu)見圖7。

圖7 SE_block結(jié)構(gòu)

Fsq為壓縮（Squeeze）模塊，將c通過(guò)全局平均池化壓縮為一個(gè)維度為1×1×的特征向量。

接下來(lái)是激勵(lì)模塊

1的維度為/，是一個(gè)縮放系數(shù)，文中將其賦值為16；縮放后分網(wǎng)絡(luò)經(jīng)過(guò)ReLU激活后進(jìn)行全連接，恢復(fù)通道數(shù)為；之后通過(guò)閾值函數(shù)sigmoid得到最終的權(quán)重；最后將原輸入特征層乘上得到的權(quán)值即可。

3 實(shí)驗(yàn)

3.1 條件

為了驗(yàn)證文中改動(dòng)對(duì)小目標(biāo)缺件檢測(cè)的有效性和先進(jìn)性，文中使用CPU為Intel(R) Core(TM) i7–7820X CPU @ 3.60 GHz, GPU為GeForce RTX 2080 Ti，開發(fā)語(yǔ)言為Python，深度學(xué)習(xí)框架為pytorch的環(huán)境進(jìn)行實(shí)驗(yàn)。

3.2 數(shù)據(jù)集簡(jiǎn)介及PCB板缺陷圖像預(yù)處理

3.2.1 PCB圖像簡(jiǎn)介

文中采用北京大學(xué)智能機(jī)器人開放實(shí)驗(yàn)室Ding公開的數(shù)據(jù)集，一共有6種缺陷類型。每張圖片上有3～5個(gè)缺陷。表1列出了圖片的張數(shù)和缺陷數(shù)量。

表1 各缺陷圖片數(shù)量及各類型缺陷數(shù)量

Tab.1 Number of defective images and number of defects of each type

圖8為數(shù)據(jù)集中PCB裸板存在的各種缺陷放大后的圖像，其中框出來(lái)的部分是存在缺陷的部分。

3.2.2 數(shù)據(jù)增強(qiáng)

由于使用的數(shù)據(jù)集僅有693張圖片，如果僅僅只用原數(shù)據(jù)集進(jìn)行訓(xùn)練，很可能因?yàn)閿?shù)據(jù)量較小而難以得到好的結(jié)果。并且，數(shù)據(jù)集中拍攝的PCB板均為規(guī)整的矩形，傾斜角度較小。若實(shí)際使用時(shí)PCB板的擺放有傾斜或其他擾動(dòng)，很可能干擾檢測(cè)的結(jié)果，同時(shí)，使用時(shí)的光照等其他條件同樣對(duì)檢測(cè)結(jié)果有影響。所以文中使用隨機(jī)數(shù)據(jù)增強(qiáng)，將原數(shù)據(jù)集中的圖片進(jìn)行隨機(jī)的旋轉(zhuǎn)、水平平移、垂直平移、縮放、水平反轉(zhuǎn)、對(duì)圖像的亮度進(jìn)行隨機(jī)增強(qiáng)等方式，得到擴(kuò)充后的數(shù)據(jù)集。

圖9為對(duì)一張圖片進(jìn)行數(shù)據(jù)增強(qiáng)得到的一部分結(jié)果。由于在對(duì)圖片進(jìn)行數(shù)據(jù)增強(qiáng)的同時(shí)，標(biāo)記框的坐標(biāo)也會(huì)隨之改變。所以要同步變換圖片扭曲后標(biāo)記框的坐標(biāo)。改變標(biāo)記框的數(shù)據(jù)增強(qiáng)示例見圖10。

圖8 6種缺陷類型圖

3.2.3 評(píng)價(jià)指標(biāo)

文中采用平均精度（mean Average Precision, mAP）、準(zhǔn)確率（Precision）、召回率（Recall）作為評(píng)價(jià)指標(biāo)。

當(dāng)檢測(cè)框與真實(shí)框的交并比IoU的值大于0.5時(shí)，將該樣本記為正樣本（P）；反之記為負(fù)樣本（P）。將正樣本的數(shù)量與所有檢測(cè)出的該類目標(biāo)的比記為精確度。即：

圖10 改變標(biāo)記框的數(shù)據(jù)增強(qiáng)示意圖

式中：P為被分為正樣本但實(shí)際為負(fù)樣本的樣本。

召回率Recall為檢測(cè)出的正類與所有正類的比，即：

式中：N為被分為負(fù)樣本但實(shí)際為正樣本的樣本。

單獨(dú)使用精確度或單獨(dú)使用召回率都無(wú)法客觀地反映檢測(cè)結(jié)果的好壞，因此，文中使用綜合了2項(xiàng)評(píng)價(jià)指標(biāo)的精度指標(biāo)（Average Precision，AP）來(lái)衡量算法的性能。利用不同的精確度和召回率的點(diǎn)的組合，可以畫出PR曲線。AP就是PR曲線下的面積，將所有類別的AP求和后除類別數(shù)即得到平均精度（mAP）。

3.3 消融實(shí)驗(yàn)

文中將訓(xùn)練集與驗(yàn)證集的比例設(shè)為9∶1，設(shè)立4組不同條件的實(shí)驗(yàn)：未改動(dòng)的YOLOv5、僅改動(dòng)特征融合網(wǎng)絡(luò)的YOLOv5、僅添加注意力機(jī)制的YOLOv5和文中算法，通過(guò)比較4組實(shí)驗(yàn)的mAP來(lái)驗(yàn)證文中算法的有效性。這4組實(shí)驗(yàn)的mAP見表2。

表2 文中算法與YOLOv5算法精度比較

Tab.2 Comparison between proposed algorithm accuracy and YOLOv5 accuracy

由表2可知，改動(dòng)后的算法相比原算法，精度得到了大幅提升。這說(shuō)明改動(dòng)的算法可以有效的檢測(cè)中小目標(biāo)。這也驗(yàn)證了前文的猜想，即通過(guò)使用淺層信息C2以及增加信息在網(wǎng)絡(luò)中的傳遞路徑，可以有效減少信息的損耗，保留小目標(biāo)的信息。

圖11 檢測(cè)結(jié)果對(duì)比

圖11為改動(dòng)前后檢測(cè)效果的對(duì)比圖。從圖11中可發(fā)現(xiàn)，針對(duì)原版YOLOv5沒(méi)有檢測(cè)出來(lái)的小目標(biāo)，改動(dòng)后的算法能將其檢測(cè)并標(biāo)記出來(lái)。圖12為該目標(biāo)的局部放大對(duì)比圖。

文中實(shí)驗(yàn)結(jié)果見圖13，文中算法可以準(zhǔn)確地識(shí)別故障類型并在圖片中標(biāo)記。

圖12 檢測(cè)結(jié)果局部放大圖

3.4 對(duì)比實(shí)驗(yàn)

將文中算法與文獻(xiàn)[14―15]所示算法的平均精度進(jìn)行對(duì)比，結(jié)果見表3。

將文中算法與文獻(xiàn)[15]所示算法的不同種類缺陷的AP進(jìn)行對(duì)比，結(jié)果見表4。

表3 文中算法與文獻(xiàn)算法平均精度對(duì)比

Tab.3 Comparison between average accuracy of proposed algorithm and other algorithms

表4 文中算法與文獻(xiàn)[15]算法各類缺陷精度對(duì)比

Tab.4 Comparison between detection accuracy of various defects of proposed algorithm and algorithms in literature [15]

由表4可以看出，除余銅與鼠咬2類文中算法略低于文獻(xiàn)[15]算法外，其余各類精度均更高，彰顯了文中算法的優(yōu)勢(shì)。

4 結(jié)語(yǔ)

文中提出的基于YOLOv5的PCB板缺陷檢測(cè)方法通過(guò)增加特征融合通路，并且引入注意力機(jī)制SE_block，提升了算法對(duì)于印刷電路板的缺陷識(shí)別的精度。改進(jìn)后的模型比原模型更適合小目標(biāo)的檢測(cè)，在6種缺陷上的精度均值均高于90%，滿足工業(yè)的需求。總體來(lái)說(shuō)，文中的方法體現(xiàn)了淺層信息在小目標(biāo)檢測(cè)上的作用，驗(yàn)證了多信息融合通路的優(yōu)勢(shì)，彰顯了注意力機(jī)制的優(yōu)越性，相比于其他算法具有一定的優(yōu)勢(shì)。

[1] 董靜毅, 呂文濤, 包曉敏, 等. 基于機(jī)器視覺(jué)的PCB板表面缺陷檢測(cè)方法研究進(jìn)展[J]. 浙江理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 45(3): 379-389.

DONG Jing-yi, LYU Wen-tao, BAO Xiao-min, et al. Research Progress of the PCB Surface Defect Detection Method Based on Machine Vision[J]. Journal of Zhejiang Sci-Tech University (Natural Sciences Edition), 2021, 45(3): 379-389.

[2] 陳殊. 探析基于圖像處理的PCB缺陷檢測(cè)技術(shù)及其重要性[J]. 數(shù)字技術(shù)與應(yīng)用, 2016(10): 64-65.

CHEN Shu. Analysis of PCB Defect Detection Technology Based on Image Processing and Its Importance[J]. Digital Technology and Application, 2016(10): 64-65.

[3] 王家宏. 基于圖像處理的印制電路板缺陷檢測(cè)研究[J]. 通訊世界, 2017(4): 175-176.

WANG Jia-hong. Research on Defect Detection of Printed Circuit Board Based on Image Processing[J]. Telecom World, 2017(4): 175-176.

[4] 劉百芬, 李海文, 張姝穎, 等. 基于機(jī)器視覺(jué)PCB裸板缺陷自動(dòng)檢測(cè)研究[J]. 工業(yè)控制計(jì)算機(jī), 2014, 27(10): 7-8.

LIU Bai-fen, LI Hai-wen, ZHANG Shu-ying, et al. Automatic Defect Inspection of PCB Bare Board Based on Machine Vision[J]. Industrial Control Computer, 2014, 27(10): 7-8.

[5] MOGANTI M, ERCAL F. Automatic PCB Inspection Systems[J]. IEEE Potentials, 1995, 14(3): 6-10.

[6] ARDHY F, HARIADI F I. Development of SBC Based Machine-Vision System for PCB Board Assembly Automatic Optical Inspection[C]// 2016 International Symposium on Electronics and Smart Devices (ISESD), Bandung, Indonesia, 2016: 387-393.

[7] BAYGIN M, KARAKOSE M, SARIMADEN A. Machine Vision Based Defect Detection Approach Using Image Processing[C]// 2017 International Artificial Intelligence and Data Processing symposium (IDAP), Malatya, Turkey, 2017: 1-5.

[8] MA J. Defect Detection and Recognition of Bare PCB Based on Computer Vision[C]// 2017 36th Chinese Control Conference (CCC), Dalian, China, 2017: 11023-11028.

[9] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2014: 580-587.

[10] GIRSHICK R. Fast R-Cnn[C]// Proceedings of the IEEE International Conference on Computer Vision, 2015: 1440-1448.

[11] REDMON J, DIVVALA S, GIRSHICK R, et al. You only Look Once: Unified, Real-Time Object Detection[J]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, 2016-December: 779-788.

[12] LIU WEI, ANGUELOV D, ERHAN D, et al. SSD: Single Shot MultiBox Detector[C]// European Conference on Computer Vision, Springer, Cham, 2016: 22-37.

[13] 盧榮勝, 吳昂, 張騰達(dá), 等. 自動(dòng)光學(xué)(視覺(jué))檢測(cè)技術(shù)及其在缺陷檢測(cè)中的應(yīng)用綜述[J]. 光學(xué)學(xué)報(bào), 2018, 38(8): 23-58.

LU Rong-sheng, WU Ang, ZHANG Teng-da, et al. Review on Automated Optical (Visual) Inspection and Its Applications in Defect Detection[J]. Acta Optica Sinica, 2018, 38(8): 23-58.

[14] 賀賢珍. 基于深度學(xué)習(xí)的焊點(diǎn)缺陷圖像檢測(cè)研究[D]. 綿陽(yáng): 西南科技大學(xué), 2021: 30-38.

HE Xian-zhen. Research on Image Detection of Solder Joint Defects Based on Deep Learning[D]. Mianyang: Southwest University of Science and Technology, 2021: 30-38.

[15] 耿朝暉, 龔濤. 基于改進(jìn)Faster R-CNN的PCB板表面缺陷檢測(cè)[J]. 現(xiàn)代計(jì)算機(jī), 2021(19): 89-93.

GENG Zhao-hui, GONG Tao. PCB Surface Defect Detection Based on Improved Faster R-CNN[J]. Modern Computer, 2021(19): 89-93.

[16] WANG C Y, LIAO H Y M, YEH I H, et al. CSPNet: A New Backbone that can Enhance Learning Capability of CNN[C]// IEEE Conference on Computer Vision and Pattern Recognition Workshop, 2020: 1003-1012.

[17] LIN T Y, DOLLáR P, GIRSHICK R, et al. Feature Pyramid Networks for Object Detection[C]// IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2117-2125.

[18] DENG J, DONG W, SOCHER R, et al. 2009 IEEE Conference on Computer Vision and Pattern Recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition, 2018: 8759-8768.

[19] HU Jie, SHEN Li, SUN Gang．Squeeze-and-Excitation Networks[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, 42(8): 7132-7141.

Bare PCB Defect Detection Based on Improved YOLOv5 Algorithm

XU Si-ang1,2,3,LI Yi-jie1,2,3, LIANG Qiao-kang1,2,3, YANG Bin1,2,3

(1. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China; 2. Hunan Key Laboratory of Intelligent Robot Technology in Electronic Manufacturing, Changsha 410082, China;3. National Engineering Laboratory for Robot Vision Perception and Control Technologies, Changsha 410082, China)

The work aims to apply YOLOv5 algorithm to defect detection of bare PCB, so as to improve detection accuracy. Feature fusion path was added to directly connect layers C2, C3 and C4 with layers P2, P3 and P4, so as to reduce the loss of information. Shallower C2, F2 and P2 feature images were introduced to increase the details of the image. Moreover, the attention mechanism SE_block was used to improve the accuracy of the original algorithm. The average accuracy of the improved network increased from 91.54% to 97.36%, with a growth of 5.82%. For all kinds of defects, the algorithm could keep a detection accuracy above 90%, which met the needs of industry. The proposed algorithm improves the detection accuracy, reflects the role of shallow information in small target detection, verifies the advantages of multi-information fusion pathway, and highlights the advantages of attention mechanism. Compared with the original algorithm, the proposed algorithm has certain advantages.

bare PCB; YOLOv5; defect detection; deep learning; object detection

TP391.4

A

1001-3563(2022)15-0033-09

10.19554/j.cnki.1001-3563.2022.15.004

2022–04–21

許思昂（2000—），男，湖南大學(xué)本科生，主攻仿生機(jī)器人運(yùn)動(dòng)控制與決策。

梁橋康（1986—），男，博士，湖南大學(xué)教授，主要研究方向?yàn)榉律鷻C(jī)器人運(yùn)動(dòng)控制與決策。

責(zé)任編輯：曾鈺嬋