林小強　鄧桂鋒

摘要：隨著電子信息技術的飛速發(fā)展，印制電路板（Printed-Circuit Board，PCB） 作為電子產品的重要電子互聯(lián)組件，在現(xiàn)代電子信息產品中發(fā)揮著不可或缺的作用。隨著時代的進步，現(xiàn)代印刷電路板缺陷檢測的重要性日益凸顯，而傳統(tǒng)的PCB缺陷檢測方法則存在效率低下、漏檢率高等問題。針對這些問題，文章構建了基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)。該系統(tǒng)由圖像采集模塊、YOLOv7目標檢測模塊、PCB缺陷數(shù)據(jù)集成模塊三大部分組成。通過實驗和實際生產線測試，文章提出的系統(tǒng)在PCB缺陷檢測上取得了良好的效果。

關鍵詞：PCB；AI技術；缺陷檢測；目標檢測；YOLOv7

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2024）13-0014-03 開放科學（資源服務）標識碼（OSID） ：

0 引言

隨著人工智能（AI） 技術的不斷發(fā)展，其在各行各業(yè)的應用也日益廣泛。其中，AI技術在PCB（PrintedCircuit Board，印刷電路板）缺陷檢測領域的應用備受關注。在現(xiàn)代電子信息產品中，印制電路板作為各類電子元器件的支撐體和電氣連接的載體，是電子元器件的核心組成部件，在電子設備領域占據(jù)著重要地位。因此，保證其穩(wěn)定的質量顯得尤為重要，質量檢測已經成為生產制造過程中的關鍵步驟[1]。由于電路板上的結構復雜多樣，生產過程中可能會出現(xiàn)短路、焊橋、開路、元器件松動或錯位等缺陷，確保PCB產品功能與外觀的正常，是產品質量把控的重要一環(huán)。然而，目前國內在自動在線檢測技術方面水平有限，現(xiàn)今PCB缺陷檢測方法主要有人工目視檢測和基于傳統(tǒng)機器視覺的自動光學檢測[2]。而基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)可以通過深度學習算法對PCB圖像進行精確分析和識別，不僅能夠更準確地檢測出微小的缺陷，還能實現(xiàn)自動化的檢測過程，極大地提高了檢測效率。PCB上的缺陷種類繁多，傳統(tǒng)的檢測方法往往需要針對不同類型的缺陷設計不同的檢測算法，并需要大量的人工標注數(shù)據(jù)。而基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)則能通過深度學習網絡自動學習不同類型缺陷的特征，實現(xiàn)對不同類型缺陷的自動識別和分類，顯著減少了人工標注數(shù)據(jù)的需求，提高了系統(tǒng)的通用性和適用性。本文在光學檢測（AOI） 方式的基礎上，通過大量標記的圖像訓練YOLO（You Only Look Once） 模型后，實現(xiàn)了PCB缺陷的檢測，包括缺陷位置定位和分類。本文提出的PCB檢測系統(tǒng)的整體工作流程包括PCB裸板拍攝、缺陷檢測分析、檢測分析展示。

1 系統(tǒng)總體設計

基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)主要由圖像采集模塊、YOLOv7目標檢測模塊、PCB缺陷數(shù)據(jù)集成模塊組成。圖像采集模塊是負責獲取PCB的圖像數(shù)據(jù)，為了確保清晰且正確定位的PCB 圖像，該模塊包括自動對焦和定位功能，以適應不同PCB 的形狀和尺寸。YOLOv7 目標檢測模塊利用YOLO（You Only Look Once） 算法檢測PCB圖像并定位缺陷的邊界框。該模塊首先擴充現(xiàn)有的PCB缺陷數(shù)據(jù)集，結合光學檢測（AOI） 技術，實現(xiàn)了缺陷區(qū)域的全局定位和檢測。PCB缺陷數(shù)據(jù)集成模塊則能夠定位并標識PCB裸板缺陷的位置以及類型，實現(xiàn)印刷電路板PCB缺陷的智能檢測?；赮OLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)有助于提高工業(yè)產品缺陷檢測的準確性，現(xiàn)已廣泛應用于表面缺陷檢測[3]。

2 圖像采集模塊

圖像采集模塊是基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)中至關重要的組成部分。該模塊通過高性能的圖像傳感器捕捉PCB表面的圖像，為后續(xù)的缺陷檢測提供高質量的數(shù)據(jù)。系統(tǒng)通常使用自動光學檢測（AOI） 技術，該技術利用高分辨率攝像頭獲取PCB板上的圖像，以便進行后續(xù)的缺陷檢測。相機的選擇會考慮到PCB板的尺寸、生產線的速度以及需要檢測的PCB缺陷類型，具備低噪聲、高速度和適應性，可在不同光照條件下工作。

3 YOLOv7 目標檢測模塊

本文采用YOLOv7深度學習模型作為PCB缺陷檢測系統(tǒng)模型。在GPU V100 上進行測試，精度為56.8% AP的模型可達到30 FPS（batch=1） 以上的檢測速率，這是目前唯一一款在如此高精度下仍能超過30FPS的檢測器。

深度監(jiān)督是訓練深度神經網絡常用的技術之一。深度學習目標檢測算法按照不同的設計思想主要可分為兩大類，即：Two-stage系列算法和One-stage系列算法[3]。其核心思想是在網絡的中間層添加額外的輔助頭，并通過這些輔助頭的輔助損失來引導淺層網絡的權重學習。即使在已經表現(xiàn)良好的網絡結構，如ResNet和DenseNet中，引入深度監(jiān)督仍然能夠顯著提高模型在多項任務上的性能。圖1展示了目標檢測器架構的對比，其中一個是沒有深度監(jiān)督的結構，而另一個則包含深度監(jiān)督。在這些結構中，負責生成最終輸出的頭部被稱為引導頭，而用于輔助訓練的頭部被稱為輔助頭。

在深度監(jiān)督訓練中以目標檢測為例，研究者經常利用網絡預測的質量分布來結合Ground Truth，使用一些計算和優(yōu)化方法來生成可靠的軟標簽（Soft La?bel） 。例如，YOLO 使用Bounding Box 預測和GroundTruth的IOU作為軟標簽[4]。在本文中將網絡預測結果與Ground Truth一起考慮后再分配軟標簽的機制稱為“標簽分配器”。在本文中，我們討論了輔助頭和引導頭在目標深度監(jiān)督中的應用。為了實現(xiàn)這一目標，我們采用了一種新的標簽分配方法，與傳統(tǒng)方法有所不同。與將輔助頭和引導頭分離后獨立執(zhí)行標簽分配的常見方法不同，我們的方法是通過利用引導頭的預測來引導輔助頭和引導頭自身的學習過程。簡而言之，我們首先使用引導頭的Prediction生成層次標簽，從整體到詳細，然后將它們分別用于引導頭和輔助頭的訓練，如圖2所示。

本文設計了三種模型，分別被稱為YOLOv7-Tiny、YOLOv7和YOLOv7-W6。同時，還使用基本模型針對不同的服務需求進行縮放，并得到不同大小的模型。對于YOLOv7，可進行頸部縮放（module scale） ，并使用所提出的復合縮放方法對整個模型的深度和寬度進行縮放（depth and width scale） ，此方式獲得了YOLOv7-X。對于YOLOv7-W6，使用提出的縮放方法得到了YOLOv7-E6和YOLOv7-D6。此外，在YO?LOv7-E6 使用了提出的E-ELAN，從而完成了YO?LOv7-E6E。由于YOLOv7-Tincy 是一個面向邊緣GPU 架構的模型，因此它將使用RELU 作為激活函數(shù)。對于其他模型，使用SILU作為激活函數(shù)。

本文提出了一種新的實時檢測器。在研究過程中，本文發(fā)現(xiàn)了重參化模塊的替換問題和動態(tài)標簽的分配問題。為了解決這一問題，提出了一種可訓練的Bag-of-Freebies策略來提高PCB檢測的精度。如圖3 是我們的采集缺陷效果圖。數(shù)據(jù)集的圖像進行曝光度調整、水平翻轉等各類數(shù)據(jù)集增強操作?；诖?，本文開發(fā)的YOLOv7系列目標檢測模型獲得了最先進的結果。

4 PCB 缺陷數(shù)據(jù)集成模塊

PCB缺陷數(shù)據(jù)集成模塊的工作流程是圖像采集通過工業(yè)攝像頭對PCB裸板進行拍攝，系統(tǒng)能有效識別相機采集的圖片、視頻等文件形式，采用PCB缺陷檢測平臺進行圖像處理，然后將處理好的圖片通過系統(tǒng)分析，標注分類后進行結果展示。通過工業(yè)攝像機拍攝PCB裸板的圖像，使用部署好的PCB缺陷檢測模型，能夠快速準確地標識出缺陷位置，并且能夠準確地得出缺陷的類型。識別包括經過基于深度學習技術圖像處理技術檢查出PCB上是否有短路、多銅及少銅、斷路、缺口、毛刺、銅偏斜等幾種常見的缺陷類型，輸出缺陷處的標記框和對應類別，以輔助自動化PCB 質量檢測。

在PCB缺陷檢測分析方面， 需要數(shù)據(jù)存儲技術、特征檢測技術、網絡通信技術等，在PCB缺陷數(shù)據(jù)基礎上實現(xiàn)缺陷的位置定位，缺陷類型的判斷。在PCB 數(shù)據(jù)的采集和存儲方面，當檢測到PCB本身存在缺陷的時候，立即抓拍存檔告警方便后期針對性地進行調整，實現(xiàn)實時、準確采集，并且能夠靈活存儲，記錄識別結果在界面表格中方便查看，支持結果記錄、展示和保存，以保證數(shù)據(jù)和信息的完整。PCB板缺陷檢測識別系統(tǒng)通過YOLOv7 網絡深度學習技術，對現(xiàn)場PCB是否存在缺陷部分進行實時分析檢測。在確保數(shù)據(jù)安全方面，引入了防火墻技術，以有效阻擋潛在的非法訪問和惡意攻擊。通過數(shù)字簽名技術，對數(shù)據(jù)進行加密和認證，以確保數(shù)據(jù)的完整性和真實性。通過密鑰管理系統(tǒng)的建立進一步加強了對加密通信的控制，提高了系統(tǒng)整體的抗攻擊能力。在數(shù)據(jù)通信方面，本研究采用了分組交換網絡和移動通信網絡，以實現(xiàn)高效的信息傳輸。這些綜合的技術措施不僅提升了數(shù)據(jù)傳輸?shù)男?，也在保障通信安全性方面發(fā)揮了積極作用。在優(yōu)化神經網絡結構方面進行探索研究，對PCB缺陷數(shù)據(jù)進行缺陷目標特征標識，使用神經網絡算法進行訓練，將得到的訓練模型部署到實際的生產環(huán)境中，能夠實現(xiàn)對PCB缺陷更加快速且精準的檢測。

5 結束語

本文詳細介紹了深度學習目標檢測算法，并重點分析了YOLOv7檢測算法及其效果?；赮OLOv7目標檢測算法的印制電路板（PCB） 缺陷檢測系統(tǒng)具備顯著優(yōu)勢。該系統(tǒng)能夠實現(xiàn)對PCB缺陷的自動識別和檢測，有效降低了人工目視檢查的成本和時間，提高了檢測效率。同時，通過機器學習和深度學習等技術，該系統(tǒng)能夠不斷學習和優(yōu)化檢測算法，從而提升檢測的準確性和穩(wěn)定性。此外，該系統(tǒng)還具備良好的遷移性和魯棒性，檢測結果更加客觀、可靠。在降低人工成本的同時，該系統(tǒng)顯著提高了檢測效率，展現(xiàn)出廣闊的應用前景[5]。當然，基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)也存在一些挑戰(zhàn)和問題。首先，系統(tǒng)對圖像數(shù)據(jù)的要求較高，需要高質量的圖像數(shù)據(jù)作為輸入，這對圖像采集設備和技術提出了更高的要求。其次，系統(tǒng)的算法設計和優(yōu)化需要較高的技術水平和專業(yè)知識，需要不斷進行算法的更新和優(yōu)化，以適應不同類型的PCB和不同的缺陷情況。此外，系統(tǒng)的實時性和穩(wěn)定性也是一個挑戰(zhàn)，特別是在工業(yè)生產線上的應用，系統(tǒng)需要能夠快速響應和穩(wěn)定運行。基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)在提高PCB缺陷檢測的效率和準確性方面具有重要的意義。隨著人工智能技術的不斷發(fā)展和應用，相信基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)將會在未來得到更廣泛的應用和發(fā)展。然而，系統(tǒng)在技術和應用方面還存在一些挑戰(zhàn)和問題，需要不斷進行研究和改進，以實現(xiàn)更好的性能和穩(wěn)定性。相信通過持續(xù)的努力和創(chuàng)新，基于YOLOv7目標檢測算法的印制電路板缺陷檢測系統(tǒng)將會成為電子制造行業(yè)中不可或缺的重要工具。

參考文獻：

[1] 代剛，吳湘寧，鄧玉嬌，等. 基于孿生深度特征融合殘差網絡的PCB缺陷分類模型[J]. 計算機系統(tǒng)應用，2023，32（5）：188-195.

[2] 廖鑫婷，李泉洲，邱權，等. 基于深度學習的PCB缺陷檢測方法[J]. 電子產品可靠性與環(huán)境試驗，2022，40（4）：30-34.

[3] 李俊杰，周驊，唐綱浩. 基于改進YOLOv3的電容表面缺陷檢測方法[J]. 智能計算機與應用，2023，13（3）：235-241.

[4] 謝能勇. 基于計算機視覺的垃圾檢測及焚燒火焰識別研究[D]. 淮南：安徽理工大學，2023.

[5] 趙怡豪，劉勇，岳仁峰，等. 基于改進YOLOv5模型的智能立體車庫結構裂縫識別算法研究[J]. 信息系統(tǒng)工程，2024（3）：134-137.

【通聯(lián)編輯：代影】

基金項目：廣西壯族自治區(qū)工業(yè)和信息化廳2023 年信息化相關項目“基于YOLO V7 目標檢測算法的印制電路板缺陷檢測系統(tǒng)”