張鵬飛 王淑青 王年濤 頓偉超 黃劍鋒

[摘 要]為解決傳統(tǒng)PCB裸板缺陷檢測(cè)效率低、誤檢率高、通用性差等問(wèn)題，提出一種基于改進(jìn)MobileNetV3的PCB表面缺陷檢測(cè)模型。首先對(duì)PCB數(shù)據(jù)集進(jìn)行預(yù)處理，然后采用多方向協(xié)調(diào)注意力代替原網(wǎng)絡(luò)中的擠壓和激勵(lì)注意力模塊，提升特征定位精度從而增強(qiáng)感受野；最后利用軟池化優(yōu)化MobileNetV3的末端結(jié)構(gòu)，以在簡(jiǎn)化后的激活映射中保留更多的特征信息。實(shí)驗(yàn)結(jié)果證明，提出的模型對(duì)PCB裸板缺陷檢測(cè)的平均準(zhǔn)確率可達(dá)96.1%，圖片平均檢測(cè)速度為25.1 ms，能夠高效識(shí)別PCB裸板的多種缺陷類(lèi)型，對(duì)工業(yè)生產(chǎn)中PCB裸板的質(zhì)量檢測(cè)有實(shí)際應(yīng)用價(jià)值。

[關(guān)鍵詞]PCB裸板；缺陷檢測(cè)；MobileNetV3；軟池化；深度學(xué)習(xí)

[中圖分類(lèi)號(hào)]TP391.4[文獻(xiàn)標(biāo)識(shí)碼]A

隨著電子通訊、智能駕駛、智慧醫(yī)療、工業(yè)控制等領(lǐng)域的電力電子設(shè)備向著高精密、智能化及更加輕薄的方向發(fā)展，印刷電路板（PCB）的電路繪制以及功能元件量也越來(lái)越多，PCB高度集成模塊化也是必然趨勢(shì)^[1]。但PCB作為電子產(chǎn)品的核心組件，其生產(chǎn)工藝非常復(fù)雜，包含繁多的制造工序，這將導(dǎo)致PCB在生產(chǎn)過(guò)程中不可避免地出現(xiàn)多種質(zhì)量缺陷，影響整體性能^[2]。因此，PCB裸板缺陷檢測(cè)在整個(gè)生產(chǎn)制造工藝過(guò)程中顯得極為重要。

目前，PCB裸板缺陷檢測(cè)方法可分為三大類(lèi)：接觸檢測(cè)法、機(jī)器視覺(jué)檢測(cè)法及深度學(xué)習(xí)檢測(cè)法^[3]。其中前兩類(lèi)傳統(tǒng)方法中存在檢測(cè)效率低以及易受人為因素影響的問(wèn)題，而深度學(xué)習(xí)檢測(cè)法^[4]既符合當(dāng)前人工智能時(shí)代的發(fā)展趨勢(shì)，同時(shí)也可以更好的解決這些問(wèn)題。V. A. Adibhatla等^[5]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)PCB圖像進(jìn)行了缺陷分類(lèi)，精度較低。在此基礎(chǔ)上，瞿棟等^[6]使用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合遷移學(xué)習(xí)對(duì)PCB圖像進(jìn)行了缺陷檢測(cè)，但檢測(cè)缺陷類(lèi)型較少。耿朝輝等^[7]在Faster RCNN網(wǎng)絡(luò)中加入了特征金字塔并優(yōu)化損失函數(shù)對(duì)PCB裸板的多種缺陷進(jìn)行檢測(cè)，但數(shù)據(jù)集數(shù)量較小有待優(yōu)化。謝黎等^[8]通過(guò)在YOLOv4網(wǎng)絡(luò)中強(qiáng)化特征融合，并結(jié)合Kmeans聚類(lèi)改進(jìn)網(wǎng)絡(luò)模型對(duì)電路板元器件進(jìn)行了缺陷檢測(cè)。為進(jìn)一步提高PCB裸板的檢測(cè)精度及速度，降低誤檢率，本研究采用前沿的輕量級(jí)網(wǎng)絡(luò)MobileNetV3^[9]，并通過(guò)改進(jìn)注意力機(jī)制及池化效果增強(qiáng)了模型的整體性能，實(shí)現(xiàn)對(duì)PCB裸板多種缺陷的高效檢測(cè)，對(duì)PCB裸板生產(chǎn)工藝的質(zhì)量規(guī)范具有實(shí)際意義。

1 PCB裸板檢測(cè)網(wǎng)絡(luò)原理

PCB裸板缺陷檢測(cè)方法主要采用MobileNetV3^[9]網(wǎng)絡(luò)，是由Google在2019年提出的網(wǎng)絡(luò)架構(gòu)，其網(wǎng)絡(luò)建立在高效的構(gòu)建塊bneck上（圖1）。

MobileNetV3首先引入深度可分離卷積（DSConv），對(duì)傳統(tǒng)卷積層進(jìn)行有效替換。DSConv通過(guò)把空間濾波從特征生成機(jī)制中分離而出，有效分解了傳統(tǒng)卷積。DSConv由兩個(gè)單獨(dú)的層來(lái)定義，分別為用于空間濾波的輕量級(jí)深度卷積和用于特征生產(chǎn)的1×1點(diǎn)卷積構(gòu)成。其次，引入了線(xiàn)性瓶頸的倒置殘差結(jié)構(gòu)，通過(guò)采用低秩特性實(shí)現(xiàn)更高效的層結(jié)構(gòu)，該結(jié)構(gòu)由1×1膨脹卷積，深度可分離卷積以及1×1映射層構(gòu)成。當(dāng)且僅當(dāng)輸入和輸出具有相同數(shù)量的通道時(shí)，使用殘差連接的方式，使結(jié)構(gòu)輸入和輸出更加緊湊，同時(shí)在內(nèi)部擴(kuò)展到高維度特征空間，以增加非線(xiàn)性（NL）全通道轉(zhuǎn)換的性能。

在此基礎(chǔ)上，線(xiàn)性瓶頸結(jié)構(gòu)中引入了擠壓和激勵(lì)的注意力模塊（SE）^[10]，同時(shí)提出了一種新的激活函數(shù)H-Swish，增強(qiáng)特征提取精度，并提升檢測(cè)速度，公式如下：

H-Swishx=x·ReLU6（x+3）/6

式中，ReLU6為激活函數(shù)。為進(jìn)一步提高網(wǎng)絡(luò)預(yù)測(cè)功能，采用多方向協(xié)調(diào)注意力（MCA）模塊替換SE模塊，并對(duì)MobileNetV3的網(wǎng)絡(luò)末端進(jìn)行了進(jìn)一步優(yōu)化，采用軟池化（Soft Pool）替代平均池化（Avg Pool）^[11]，提高PCB裸板缺陷的檢測(cè)性能。

2 特征提取網(wǎng)絡(luò)優(yōu)化

2.1 多方向協(xié)調(diào)注意力機(jī)制

SE模塊只考慮通過(guò)構(gòu)建通道關(guān)系來(lái)重新衡量每個(gè)通道的重要性，而忽略了同樣重要的位置信息。為此，本文采用MCA模塊替換SE模塊對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)。MCA模塊可以看作是一個(gè)計(jì)算單元，分為兩步：協(xié)調(diào)信息嵌入和協(xié)調(diào)注意力生成；通過(guò)捕獲位置信息和通道之間的明確關(guān)系，以增強(qiáng)移動(dòng)網(wǎng)絡(luò)的特征表達(dá)能力（圖2）。

如圖2所示，在信道注意力中，通常使用全局池化（Global Pooling）^[11]對(duì)空間信息進(jìn)行全局編碼，但全局空間信息壓縮到信息描述符中往往無(wú)法保存位置信息，而位置信息是PCB裸板缺陷檢測(cè)的關(guān)鍵。首先，通過(guò)選擇任意特征張量X=x₁，x₂，…，x_C∈R^C×H×W作為輸入，輸出為一個(gè)帶有增廣表示的變換張量Y=y₁，y₂，…，y_C大小與X相同，其中R是對(duì)應(yīng)二維空間區(qū)域的特征激活映射集合，C為通道數(shù)，H為高度，W為寬度。為激勵(lì)注意力模塊通過(guò)精確的位置信息捕捉遠(yuǎn)距離空間交互作用，將全局池化對(duì)應(yīng)分解為一對(duì)一維編碼操作，給定輸入X，通過(guò)兩個(gè)池化核空間范圍（H，1）或（1，W）分別沿水平坐標(biāo)核垂直坐標(biāo)對(duì)每個(gè)通道進(jìn)行編碼。因此，可以將第c個(gè)通道在高度h處的輸出表示如下：

式（1）中，W為通道寬度特征向量，x_c為第c個(gè)通道的輸入值。同理可以得出第c個(gè)通道在寬度w處的輸出表達(dá)式：

式（2）中，H為通道高度特征向量，x_c為第c個(gè)通道的輸入值。以上兩種轉(zhuǎn)換操作分別沿著兩個(gè)空間方向聚合特征，生成一對(duì)方向感知特征映射。這與SE模塊中的擠壓操作是不同的。這兩種轉(zhuǎn)換操作讓注意力塊捕捉到空間方向上的長(zhǎng)期依賴(lài)關(guān)系，并在另一個(gè)空間方向上保留了精確的位置信息，使得網(wǎng)絡(luò)能夠更加精準(zhǔn)的定位感興趣區(qū)域。

為進(jìn)一步利用式（1）和式（2）產(chǎn)生的表達(dá)性特征，采用協(xié)調(diào)注意力生成的方式盡可能地保持提取過(guò)程的簡(jiǎn)潔和高效，捕捉通道間的聯(lián)系；同時(shí)可以充分利用定位信息，準(zhǔn)確地突出感興趣區(qū)域。協(xié)調(diào)注意力機(jī)制將生成的聚合特征映射連接起來(lái)，然后傳送到1×1卷積變換函數(shù)F₁中，具體操作見(jiàn)下式：

式中，f∈R^{C/r×（H+W）}是中間過(guò)程在水平和垂直方向上的編碼空間信息特征表示，其中r是控制模塊大小的縮減比例參數(shù)，如SE模塊。δ為非線(xiàn)性激活函數(shù)；[z^h，z^w]為空間維度的連接操作。對(duì)生成的卷積進(jìn)行批量歸一化及非線(xiàn)性操作之后，沿著空間維度將f函數(shù)分解為兩個(gè)張量，分別為f^h∈R^C/r×H和f^w∈R^C/r×W。通過(guò)兩個(gè)1×1卷積變換函數(shù)F_h和F_w分別將f^h和f^w變換到與原有輸入X相同通道數(shù)的張量上來(lái)，如下：

式中，ρ表示激活函數(shù)H-Swish，g^h和g^w表示不同方向上的注意力權(quán)重。最后結(jié)合各通道輸入值x_c構(gòu)成MCA模塊的最終輸出，如下：

式中，g^h_c（i），g^w_cj分別表示不同方向上第c個(gè)通道的權(quán)重值，y_ci.j為第c個(gè)通道的注意力模塊輸出值。MCA模塊不同于只關(guān)注衡量不同通道重要性的SE模塊，在水平和垂直方向同時(shí)施加注意力作用于輸入張量，以確認(rèn)兩種特征表示中的每個(gè)元素是否存在于感興趣區(qū)域的對(duì)應(yīng)位置。這種操作方式使MCA模塊能更精確地定位有效特征位置，從而實(shí)現(xiàn)對(duì)PCB裸板上各類(lèi)缺陷的有效識(shí)別。

2.2 軟池化方式

Soft Pool是基于Softmax^[12]的加權(quán)方法，采用自然指數(shù)e以確保較大的激活值對(duì)輸出產(chǎn)生更大的影響，同時(shí)保持了可微性，軟池化包含了信息的正向傳播和反向傳播過(guò)程中的梯度計(jì)算，也就是下采樣過(guò)程^[7]；與其他池化方式相似，都具有一個(gè)用于描述非線(xiàn)性變換域與對(duì)應(yīng)激活關(guān)系的權(quán)重值w_i，且

式中，每個(gè)激活a_i和對(duì)應(yīng)的映射i都具有一個(gè)對(duì)應(yīng)權(quán)重w_i，表示為特定激活指數(shù)相對(duì)于鄰域R內(nèi)所有激活指數(shù)總和的占比。這使得在2維特征空間中能夠突出更大的激活特性，以保留PCB裸板圖像中更易于區(qū)別的特征，相比于均值池化更具備合理性。軟池化操作的輸出值是通過(guò)內(nèi)核領(lǐng)域R內(nèi)的所有加權(quán)激活總和而產(chǎn)生的，如下式：

最終，將式（1）代入式（2）得到軟池化具體描述公式如下：

與原有的Avg Pool^[9]相比，Soft Pool不需要可訓(xùn)練的參數(shù)，并具有更大的計(jì)算和記憶效率，由于Soft Pool具有可微性，在反向傳播過(guò)程中為每個(gè)輸入獲得了梯度值，提高了訓(xùn)練速度。既對(duì)整個(gè)區(qū)域顯示進(jìn)行了一定程度的抑制，又保留了一些較為突出的特征，這對(duì)于更加精準(zhǔn)的檢測(cè)PCB裸板的缺陷是更加有利的，PCB圖像特征的軟池化過(guò)程見(jiàn)圖3。

如圖3所示，通過(guò)2×2卷積核對(duì)原始PCB圖像進(jìn)行下采樣，輸出基于內(nèi)核區(qū)域內(nèi)原始像素的指數(shù)加權(quán)和，從而改善高對(duì)比度區(qū)域、線(xiàn)路邊緣區(qū)域以及特定特征激活映射，更好地提取PCB裸板的缺陷特征。

特征提取網(wǎng)絡(luò)使用池化操作來(lái)減小激活映射，這個(gè)過(guò)程對(duì)于增加接收域和減少后續(xù)卷積計(jì)算量是至關(guān)重要的。為在初始映射過(guò)程中不增加額外計(jì)算量條件下保留更豐富的最小化信息，采用上述Soft Pool操作，替換MobileNetV3末端網(wǎng)絡(luò)中的Avg Pool操作，改進(jìn)后的末端網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

最后，將改進(jìn)的MobileNetV3作為主干網(wǎng)絡(luò)（Backbone），以YOLOv5^[13]網(wǎng)絡(luò)作為檢測(cè)模型，實(shí)現(xiàn)PCB裸板的缺陷檢測(cè)，檢測(cè)模型整體框架如圖5所示。

3 實(shí)驗(yàn)過(guò)程與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境配置

本實(shí)驗(yàn)的平臺(tái)為PC機(jī)Windows10系統(tǒng)，CPU為 Intel（R） Core （TM） i7-10700K @3.8GHz、GPU為NVIDIA GeForce RTX 3080Ti、顯存12G，內(nèi)存16G；實(shí)驗(yàn)環(huán)境及軟件為Anaconda3、PyCharm 2020.2.1、GPU 加 速 包 為 CUDA11.1 和CUDnn10.1以及深度學(xué)習(xí)框架Pytorch 1.7。

3.2 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)采用PCB公共數(shù)據(jù)集^[13]，共包含10668張PCB裸板圖像，其中包含短路、斷路、缺口、余銅、漏焊、毛刺6種缺陷類(lèi)型（圖6）。

采用LableImage對(duì)PCB裸板的6種缺陷類(lèi)型進(jìn)行標(biāo)記，生成對(duì)應(yīng)的.xml格式文件，文件內(nèi)主要包含了PCB裸板圖片名稱(chēng)filename，圖片尺寸寬度width和高度heights，標(biāo)注目標(biāo)object，類(lèi)別標(biāo)簽lables，標(biāo)注框bndbox及其位置信息xmin、ymin、xmax、ymax等。數(shù)據(jù)按訓(xùn)練集和測(cè)試集7∶3的比例隨機(jī)分配，其中訓(xùn)練集7467張圖像，測(cè)試集包含3201張圖像。在訓(xùn)練前，對(duì)數(shù)據(jù)設(shè)置文件內(nèi)VOC、COCO的類(lèi)別名稱(chēng)、數(shù)量以及訓(xùn)練路徑等相關(guān)參數(shù)進(jìn)行初始化。在訓(xùn)練過(guò)程中采用動(dòng)量衰減因子為0.9的SGD優(yōu)化器對(duì)所有模型進(jìn)行訓(xùn)練，調(diào)整圖像大小為608×608，批處理大小設(shè)為8，最大迭代輪數(shù)設(shè)為300輪；權(quán)重衰減系數(shù)設(shè)為0.0005，初始學(xué)習(xí)速率設(shè)為0.001。

3.3 模型評(píng)估指標(biāo)

模型評(píng)估指標(biāo)是衡量模型好壞的重要參數(shù)，其中平均精度值（AP）是根據(jù)在PCB裸板數(shù)據(jù)集上預(yù)測(cè)得到的精確率（Precision）和召回率（Recall）決定的，如下：

式中，TP為被正確預(yù)測(cè)的正類(lèi)、FP為被正確預(yù)測(cè)的負(fù)類(lèi)、FN為被錯(cuò)誤預(yù)測(cè)的正類(lèi)。以Precision為縱軸，Recall為橫軸的曲線(xiàn)被稱(chēng)為P-R曲線(xiàn)，曲線(xiàn)下圍成的面積占總面積的比例為AP。PCB裸板各類(lèi)缺陷的AP平均值為mAP值；FPS為每秒處理圖片的幀數(shù)，上述各指標(biāo)值越大，說(shuō)明檢測(cè)模型的預(yù)測(cè)效果越好。模型的損失值（Loss）表示預(yù)測(cè)樣本與真實(shí)樣本的誤差，Loss越小代表模型越穩(wěn)定，檢測(cè)效果越好。

3.4 模型結(jié)果與分析

訓(xùn)練完的模型會(huì)生成對(duì)應(yīng)的訓(xùn)練日志，其中包含了所有迭代輪數(shù)下的評(píng)估指標(biāo)，通過(guò)適當(dāng)?shù)钠交幚?，將PCB裸板缺陷檢測(cè)模型的整體平均損失值、訓(xùn)練精度值以及召回率繪制成相應(yīng)曲線(xiàn)圖，進(jìn)行模型評(píng)估（圖7、圖8）。

從圖7可以看出，模型整體平均損失值曲線(xiàn)收斂速度較快，在300輪次的迭代下，最終損失值降至0.001以下，說(shuō)明PCB裸板缺陷分類(lèi)的效果較好，預(yù)測(cè)值與真實(shí)值之間的偏差較低，有著較穩(wěn)定的缺陷檢測(cè)性能。

從圖8可以看出，PCB裸板缺陷檢測(cè)模型的精度值及召回率較高，表示該模型能對(duì)于PCB裸板各類(lèi)缺陷進(jìn)行精準(zhǔn)的預(yù)測(cè)，漏檢率較低；同時(shí)較高的召回率可以大大減低PCB裸板缺陷的誤檢率，最終的平均精確值和召回率分別為98.52%、94.76%，能夠較好地完成PCB裸板的缺陷檢測(cè)任務(wù)。

在完成PCB裸板缺陷檢測(cè)模型的訓(xùn)練及指標(biāo)獲取后，為進(jìn)一步對(duì)改進(jìn)的模型進(jìn)行評(píng)估，保持實(shí)驗(yàn)環(huán)境配置信息不變，使用Faster-RCNN^[7]、SSD^[14]、YOLOv4^[8]和YOLOv5^[15]深度學(xué)習(xí)模型在相同數(shù)據(jù)集上測(cè)試，并選擇上述模型的最佳權(quán)重在測(cè)試集上進(jìn)行比較，各模型的PCB缺陷裸板缺陷平均精度值A(chǔ)P對(duì)比見(jiàn)表1；各模型整體性能對(duì)比見(jiàn)表2。

由表1和表2可知，與Faster-RCNN、SSD、YOLOv4模型相比，改進(jìn)的模型mAP值分別提升了7.7.%，9.9%，4.3%；每秒檢測(cè)圖片的速度分別提升了20.9幀，12.5幀，7.3幀，模型性能占明顯優(yōu)勢(shì)。對(duì)于不同主干網(wǎng)絡(luò)的YOLOv5模型，改進(jìn)的模型比YOLOv5m提高了1.4%，比YOLOv5（MobileNetV3）提升了2.8%；而檢測(cè)速度比YOLOv5m降低了0.8幀，比YOLOv5（MobileNetV3）降低了3.9幀。雖然檢測(cè)速度有些許下降，但同樣滿(mǎn)足PCB裸板工業(yè)缺陷檢測(cè)需求，并且在此基礎(chǔ)上提高了缺陷檢測(cè)精度，這對(duì)于PCB裸板生產(chǎn)的質(zhì)量保障更為重要；由此證明，改進(jìn)后的PCB裸板缺陷檢測(cè)模型的綜合性能效果更好，PCB裸板缺陷檢測(cè)結(jié)果見(jiàn)圖9。

從圖中可以看出，改進(jìn)后的模型對(duì)于PCB裸板的短路、斷路、余銅、漏焊、缺口、毛刺6類(lèi)缺陷的實(shí)際檢測(cè)效果較好，其中一些較小的缺陷，如缺口、毛刺也能很好的識(shí)別，強(qiáng)化了PCB裸板多種缺陷的檢測(cè)性能，大大降低了誤檢率。

4 結(jié)論

提出了一種改進(jìn)MobileNetV3特征提取網(wǎng)絡(luò)的PCB裸板表面缺陷檢測(cè)方法，通過(guò)多方向協(xié)調(diào)注意力模塊優(yōu)化MobileNetV3線(xiàn)性瓶頸結(jié)構(gòu)中的擠壓和激勵(lì)注意力跨塊，結(jié)合通道和位置信息的明確關(guān)系，增強(qiáng)網(wǎng)絡(luò)的表征能力；并采用Soft Pool替換MobileNetV3末端網(wǎng)絡(luò)的平均池化操作，保留了更豐富的最小化特征信息。采用YOLOv5網(wǎng)絡(luò)作為檢測(cè)模型，完成PCB裸板缺陷檢測(cè)；由模型的評(píng)估及對(duì)比實(shí)驗(yàn)可知，提出的模型檢測(cè)效果更好，具有更強(qiáng)的綜合性能，可部署于PCB裸板工業(yè)缺陷檢測(cè)環(huán)節(jié)中，對(duì)PCB裸板的質(zhì)量保障具有一定的實(shí)際意義。

[ 參 考 文 獻(xiàn) ]

[1] 李磊， 秦偉鵬， 江庭富. 印制電路板鉆孔毛刺的產(chǎn)生原因與改善探討[J].印制電路信息， 2021， 29（11）： 10-13.

[2] IKIRI Y， FUMIYA SAKO， MASAKI HASHIZUME， et al. Open defect detection in assembled circuit boards with built-in relaxation oscillators[J]. In IEEE Transactions on Components， Packaging and Manufacturing Technology， 2021， 11（06）： 931-943.

[3] 魏嘉莉，王瑞豐，冀運(yùn)景， 等.基于機(jī)器視覺(jué)的PCB板電解電容極性自動(dòng)定位[J].電子測(cè)量技術(shù)，2021，44（16）：148-155.

[4] 陶顯， 侯偉， 徐德. 基于深度學(xué)習(xí)的表面缺陷檢測(cè)方法綜述[J].自動(dòng)化學(xué)報(bào)， 2021， 47（05）： 1017-1034.

[5] ADIBHATLA V A， SHIEH J， ABBOD M F， et al. Detecting defects in PCB using deep learning via convolution neural networks[C]. 2018 13th International Microsystems， Packaging， Assembly and Circuits Technology Conference （IMPACT）， 2018： 202-205.

[6] 瞿棟， 汪鵬宇， 黃允， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的PCB缺陷圖像識(shí)別[J].計(jì)量與測(cè)試技術(shù)， 2021， 48（08）： 21-23.

[7] 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.

[8] 謝黎， 袁小芳， 尹柏鑫. 基于改進(jìn)YOLOv4網(wǎng)絡(luò)的電路板元器件缺陷檢測(cè)[J]. 測(cè)控技術(shù)， 2022， 41（04）：9.

[9] HOWARD A， MARK SANDLER， BO CHEN， et al. Searching for MobileNetV3[C]. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）， 2019： 1314-1324.

[10]JIE H ， LI S ， GANG S. Squeeze and excitation networks[C].∥ 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2018：7132-7141.

[11]PALA T， G?VEN? U， KAHRAMAN H T， et al. Comparison of pooling methods for handwritten digit recognition problem[C]. 2018 International Conference on Artificial Intelligence and Data Processing （IDAP）， 2018： 1-5.

[12] RAO Q， YU B， HE K， et al. Regularization and iterative initialization of softmax for fast training of convolutional neural networks[C]. 2019 International Joint Conference on Neural Networks （IJCNN）， 2019： 1-8.

[13]DING R， DAI L， LI G， et al. TDD-net： a tiny defect detection network for printed circuit boards[J]. In CAAI Transactions on Intelligence Technology， 2019， 4（02）： 110-116.

[14]HAO G， YINGKUN Y， YI Q. General target detection method based on improved SSD[C]. 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference （ITAIC）， 2019：1787-1791.

[15]FENG H， JIANG Y. Recognition of insulator based on yolov5 algorithm[C]. 2021 IEEE 11th Annual International Conference on CYBER Technology in Automation， Control， and Intelligent Systems （CYBER）， 2021： 505-509.

PCB Bare Board Defect Detection Based on Improved MobileNetV3

ZHANG Pengfei， WANG Shuqing， WANG Niantao， DUN Weichao， HUANG Jianfeng

（School of Electrical and Electronic Engineering，Hubei Univ. of Tech.，Wuhan 430068，China）

Abstract：To solve the problems of low efficiency， high error detection rate and poor universality of traditional PCB bare board defect detection， a PCB surface defect detection method based on improved MobileNetV3 was proposed. Firstly， PCB data set was preprocessed. Then， multi-directional coordinated attention was used to replace the squeezing and motivating attention modules in the original network to improve the accuracy of feature localization and enhance the receptive field. Finally， the Soft Pool was used to optimize the terminal structure of MobileNetV3 to retain more feature information in the simplified activation map. Experimental results show that the average accuracy of the proposed model is 96.1%， and the average image detection speed is 25.1ms. The proposed model can efficiently identify various defect types of PCB bare board， and has practical application value for PCB bare board quality detection in industrial production.

Keywords：Bare PCB board; Defect detection; MobileNetV3; Soft pool; Deep learning

[責(zé)任編校：張巖芳]