摘 "要： 針對(duì)當(dāng)前印刷電路板（PCB）小目標(biāo)缺陷檢測(cè)精度低，現(xiàn)有檢測(cè)模型龐大，在邊緣端設(shè)備部署難的問(wèn)題，提出一種基于改進(jìn)YOLOv8n的PCB缺陷輕量化檢測(cè)模型YOLOv8?t。首先使用FasterNet Block和Slim?Neck結(jié)構(gòu)對(duì)Bockbone和Neck進(jìn)行結(jié)構(gòu)優(yōu)化，減少冗余計(jì)算和內(nèi)存訪問(wèn)，解決特征冗余導(dǎo)致的檢測(cè)精度低的問(wèn)題；其次使用自研檢測(cè)頭Detect_G提高模型檢測(cè)的速度和精度；最后引入基于跨空間多尺度的注意力（EMA）機(jī)制提高對(duì)小目標(biāo)檢測(cè)缺陷的關(guān)注度。利用北京大學(xué)實(shí)驗(yàn)室公開(kāi)發(fā)布的PCB缺陷數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，提出的YOLOv8?t的平均精度均值為95.3%，模型權(quán)重大小為4.0 MB，參數(shù)量為1.8×106，計(jì)算量為3.8 GFLOPs。與原算法YOLOv8n相比，mAP@0.5上升了2.1%，模型權(quán)重大小減少了36.5%，參數(shù)量減少了36.7%，計(jì)算量減少了51.2%。改進(jìn)算法提高了檢測(cè)精度，在模型輕量化的方向上取得了好的效果，更適合邊緣端部署。

關(guān)鍵詞： YOLOv8； PCB； 輕量化； 缺陷檢測(cè)； 注意力機(jī)制； Detect_G

中圖分類號(hào)： TN919?34； TP391 " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）15?0115?07

Lightweight PCB defect detection algorithm for improved YOLOv8n

ZHANG Shuqing， MENG Hao， GE Chao

（College of Electrical Engineering， North China University of Science and Technology， Tangshan 063210， China）

Abstract： In view of the low accuracy of small object defect detection in printed circuit boards （PCBs） and the fact that the existing detection models are large and difficult to be deployed in edge equipment， a lightweight PCB defect detection model YOLOv8?t is proposed based on the improved YOLOv8n. The structures of the FasterNet Block and the Slim?Neck are used to optimize the structures of the Bockbone and the Neck to reduce the redundant calculations and memory accesses， so as to cope with the low detection accuracy caused by feature redundancy. The self?developed detection head Detect_G is used to improve the speed and accuracy of model detection. The attention mechanism EMA （efficient mutli?scale attention） based on cross?space multi?scale is introduced to improve the attention to the defect detection of small objects. Experiments were conducted with the publicly released PCB defect dataset of a laboratory of Peking University. The experimental results show that the proposed YOLOv8?t has a mean average precision （mAP） of 95.3%， a model weight size of 4.0 MB， a parameter quantity of 1.8×106， and a calculation amount of 3.8 GFLOPs. In comparison with those of the original algorithm YOLOv8n， the mAP@0.5 of the YOLOv8?t rises by 2.1%， its model weight size is reduced by 36.5%， its parameter quantity is reduced by 36.7%， and its calculation amount is reduced by 51.2%. The improved algorithm improves the detection accuracy and achieves good results in the model lightweight， so it is more suitable for the deployment on the edge.

Keywords： YOLOv8; PCB; lightweight; defect detection; attention mechanism; Detect_G

0 "引 "言

印刷電路板（Printed Circuit Board， PCB）是電子設(shè)備的基本構(gòu)成單元[1]，由于制造工藝的復(fù)雜性和環(huán)境因素的干擾，PCB在制造過(guò)程中容易出現(xiàn)漏焊、短路等缺陷。作為電子設(shè)備的核心組成部分，其質(zhì)量和可靠性直接影響著整個(gè)設(shè)備的性能和穩(wěn)定性[2]。缺陷的存在使得產(chǎn)品性能下降，造成嚴(yán)重的經(jīng)濟(jì)損失和品質(zhì)影響。因此，PCB缺陷檢測(cè)是十分重要的[3?4]。

PCB檢測(cè)大致可以分為三種方法：人工檢測(cè)法、電器檢測(cè)法和光學(xué)檢測(cè)法[5]。人工檢測(cè)法由于工作人員的視覺(jué)疲勞會(huì)產(chǎn)生誤檢和漏檢；電氣檢測(cè)法是一種接觸式檢測(cè)方法，容易對(duì)PCB造成二次傷害；光學(xué)檢測(cè)法采用非接觸式檢測(cè)方法，有效避免對(duì)PCB造成二次傷害，同時(shí)提高檢測(cè)效率，但仍存在過(guò)篩情況，需要人工二次核查[6]。

隨著深度學(xué)習(xí)的發(fā)展，已有學(xué)者將深度學(xué)習(xí)應(yīng)用到PCB缺陷檢測(cè)。如文獻(xiàn)[7]提出了一種自動(dòng)缺陷驗(yàn)證系統(tǒng)（Auto?VRS），該系統(tǒng)由快速電路比較和基于深度神經(jīng)網(wǎng)絡(luò)的缺陷分類兩個(gè)子系統(tǒng)組成，能很好地識(shí)別缺陷，顯著降低了誤報(bào)率和逃逸率。文獻(xiàn)[8]提出了一種基于深度學(xué)習(xí)的PCB微小缺陷檢測(cè)網(wǎng)絡(luò)（UF?Net）。通過(guò)上采樣及跳層連接的方式實(shí)現(xiàn)多尺度特征融合，利用RPN網(wǎng)絡(luò)生成ROI，通過(guò)ROI?Pooling層提取ROI特征，并經(jīng)過(guò)兩個(gè)全連接層對(duì)ROI區(qū)域進(jìn)行分類和回歸，從而實(shí)現(xiàn)缺陷檢測(cè)。文獻(xiàn)[9]針對(duì)YOLOv4特征提取網(wǎng)絡(luò)層數(shù)多、參數(shù)量大，影響PCB小目標(biāo)缺陷檢測(cè)性能及輕量移動(dòng)端的部署，引用MobileNetV3網(wǎng)絡(luò)代替CSPDarknet53網(wǎng)絡(luò)，檢測(cè)mAP值和檢測(cè)速度均略有提升，模型權(quán)重大小減小到53 MB。文獻(xiàn)[10]采用改進(jìn)的聚類算法生成適合本文PCB缺陷數(shù)據(jù)集的錨盒，采用Swin Transformer作為特征提取網(wǎng)絡(luò)，在特征檢測(cè)網(wǎng)絡(luò)中加入了注意力機(jī)制，有效地建立圖像特征之間的依賴關(guān)系。文獻(xiàn)[11]通過(guò)利用k?means++聚類算法重新調(diào)整錨框和添加殘差模塊，來(lái)提高對(duì)檢測(cè)特征的提取能力，以及原YOLOv3算法的檢測(cè)精度，但檢測(cè)速度稍有下降。文獻(xiàn)[12]以YOLOv5算法為基礎(chǔ)，在原網(wǎng)絡(luò)中添加注意力機(jī)制、P2檢測(cè)頭、Transformer模塊等，以犧牲部分檢測(cè)速度的方式提高了檢測(cè)精度。文獻(xiàn)[13]提出了基于深度學(xué)習(xí)的實(shí)時(shí)非接觸檢測(cè)算法，采用Darknet框架改進(jìn)YOLOv4算法，提高了檢測(cè)精度，但是改進(jìn)網(wǎng)絡(luò)需要大量的時(shí)間成本訓(xùn)練并且對(duì)設(shè)備要求較高。

利用深度學(xué)習(xí)對(duì)PCB進(jìn)行缺陷檢測(cè)已成為主流趨勢(shì)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)對(duì)于PCB小目標(biāo)缺陷檢測(cè)效果不佳，且算法參數(shù)量大，對(duì)設(shè)備算力要求高，而邊緣端設(shè)備的算力有限，硬件不能滿足算力要求。因此，本文提出了YOLOv8?t的PCB缺陷檢測(cè)算法，主要貢獻(xiàn)有：

1） 改進(jìn)主干網(wǎng)絡(luò)中C2f模塊，融合FasterNet網(wǎng)絡(luò)中的部分卷積，解決了原模型學(xué)習(xí)特征冗余、實(shí)際檢測(cè)效果差的問(wèn)題；頸部替換為Slim?Neck結(jié)構(gòu)，解決了檢測(cè)模型龐大、部署難的問(wèn)題。

2） 設(shè)計(jì)一種新的輕量級(jí)高精度檢測(cè)頭Detect_G，提高了檢測(cè)精度，并降低了原YOLOv8n解耦頭因標(biāo)準(zhǔn)卷積帶來(lái)的計(jì)算復(fù)雜度。

3） 融合EMA注意力機(jī)制，并通過(guò)實(shí)驗(yàn)確定了注意力模塊的最佳位置，來(lái)改善模型對(duì)小目標(biāo)不敏感的問(wèn)題。

1 "YOLOv8網(wǎng)絡(luò)介紹

YOLO算法作為一種經(jīng)典的單階段檢測(cè)算法之一，已經(jīng)多次升級(jí)，如今已經(jīng)發(fā)展到了YOLOv8版本[14?16]。YOLOv8系列算法根據(jù)網(wǎng)絡(luò)的深度與特征圖的寬度分為5個(gè)模型，分別為YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l和YOLOv8x。相比其他模型，YOLOv8n算法在保持較快速度的同時(shí)，提供適用于邊緣設(shè)備的準(zhǔn)確度。因此，采用YOLOv8n作為基礎(chǔ)模型框架。

YOLOv8是在YOLOv5算法的結(jié)構(gòu)基礎(chǔ)上，通過(guò)結(jié)合一系列先進(jìn)算法而得到的更為優(yōu)秀的算法。在Backbone部分，YOLOv8通過(guò)使用C2f模塊替換YOLOv5中C3模塊，并對(duì)不同尺度的模型調(diào)整了不同的通道數(shù)。在Head部分YOLOv8把Anchor?Based改成了Anchor?Free，將分類和檢測(cè)頭分離，并將檢測(cè)頭換成解耦頭。在損失函數(shù)部分，YOLOv8采取了正負(fù)樣本匹配方式。

2 "YOLOv8?t算法

YOLOv8?t是基于YOLOv8n的改進(jìn)模型，解決了現(xiàn)有算法參數(shù)量和計(jì)算量龐大的問(wèn)題，提高了PCB小目標(biāo)缺陷檢測(cè)的精度，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。YOLOv8?t對(duì)原模型的主干網(wǎng)絡(luò)、頸部、檢測(cè)頭部進(jìn)行改進(jìn)：將C2f_Faster模塊引入到主干網(wǎng)絡(luò)中；將Neck部分替換為Slim?Neck結(jié)構(gòu)；設(shè)計(jì)出一種新的輕量級(jí)解耦頭Detect?G；添加EMA注意力機(jī)制，并確定注意力模塊的最佳位置。

2.1 "主干網(wǎng)絡(luò)的改進(jìn)

YOLOv8n的主干網(wǎng)絡(luò)部分采用可以提取到更為豐富特征信息的C2f模塊。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，目前的PCB缺陷數(shù)據(jù)集提供的缺陷樣本特征簡(jiǎn)單，C2f模塊提供了大量的冗余特征導(dǎo)致訓(xùn)練模型過(guò)擬合，模型訓(xùn)練效果好、實(shí)際檢測(cè)效果不佳，且C2f中標(biāo)準(zhǔn)卷積計(jì)算量大，需要頻繁的內(nèi)存訪問(wèn)，導(dǎo)致模型的檢測(cè)速度慢，模型部署難，YOLOv8n的C2f模塊并不適用于PCB的缺陷檢測(cè)。

基于此，選取FasterNet[17]的輕量化模塊部分卷積對(duì)C2f進(jìn)行改進(jìn)。輕量化網(wǎng)絡(luò)模型FasterNet使用了部分卷積（Partial Convolution， PConv），只對(duì)輸入的部分做卷積操作，通過(guò)減少冗余計(jì)算和存儲(chǔ)訪問(wèn)，更有效地提取空間特征，很好地解決特征冗余而導(dǎo)致的模型過(guò)擬合問(wèn)題和計(jì)算量大的問(wèn)題。PConv的計(jì)算量為[H×W×k2×C2x]，其中，[H]為特征圖的高度，[W]為特征圖的寬度，[k]為卷積核的個(gè)數(shù)，[Cx]為部分卷積的輸入通道數(shù)。當(dāng)[Cx]取整體輸入通道數(shù)的[14]時(shí)，計(jì)算量則減少為標(biāo)準(zhǔn)卷積的[116]。

YOLOv8?t將C2fBottleneck中標(biāo)準(zhǔn)卷積替換成部分卷積，再利用一維卷積來(lái)補(bǔ)缺因部分卷積代替標(biāo)準(zhǔn)卷積后帶來(lái)的空間特征信息流失，增強(qiáng)空間信息融合，形成C2f_Faster結(jié)構(gòu)，在減少計(jì)算量的同時(shí)，解決了模型過(guò)擬合的問(wèn)題。C2f_Faster結(jié)構(gòu)如圖2所示。

2.2 "頸部的改進(jìn)

目標(biāo)特征在Neck部分進(jìn)行特征融合時(shí)，空間特征逐級(jí)向通道信息傳遞，不斷向下傳輸。隨著特征圖的高度和寬度不斷被壓縮、通道數(shù)量的不斷擴(kuò)展，會(huì)造成部分語(yǔ)義信息缺失。YOLOv8n使用標(biāo)準(zhǔn)卷積保留豐富的語(yǔ)義信息，增大計(jì)算量，提高了模型邊緣端部署的難度。

GSConv（Generalized?sparse Convolution）模塊在減少計(jì)算量的同時(shí)，以較低的時(shí)間復(fù)雜度盡可能地保留特征信息。GSConv首先將輸入特征做通道數(shù)減半標(biāo)準(zhǔn)卷積處理，將處理結(jié)果經(jīng)過(guò)深度可分離卷積，然后將二者特征拼接、打亂，使得局部的特征信息在不同的通道上均勻地交換，增強(qiáng)非線性表達(dá)能力。

VoV?GSCSP是以GSConv和Conv組成的GS bottleneck模塊為基本單元，使用一次性聚合方法的跨級(jí)部分網(wǎng)絡(luò)模塊。VoV?GSCSP模塊降低了計(jì)算和網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，保持了足夠的精度，是一種具有高精度的輕量級(jí)模塊。VoV?GSCSP的具體結(jié)構(gòu)如圖3所示。本文將YOLOv8n中Neck部分改進(jìn)為Slim?Neck結(jié)構(gòu)，實(shí)現(xiàn)了YOLOv8?t頸部的輕量化，提高了檢測(cè)精度。

2.3 "輕量化解耦頭Detect?G

YOLOv8采用主流的解耦頭，將目標(biāo)位置和類別信息分別提取出來(lái)，通過(guò)每個(gè)分支堆疊兩個(gè)標(biāo)準(zhǔn)卷積和一個(gè)1×1的卷積進(jìn)行特征提取。但解耦頭的引入相較常規(guī)耦合頭帶來(lái)了巨大的參數(shù)量和計(jì)算量，YOLOv8n解耦頭的計(jì)算量、參數(shù)量分別為3.7 GFLOPs、0.9×106，占整個(gè)網(wǎng)絡(luò)模型計(jì)算量、參數(shù)量的45.1%和30%。

本文采用參數(shù)共享思想，利用組卷積（Group Convolution）設(shè)計(jì)出一種新的輕量化解耦頭Detect?G。首先將原耦合兩分支中的4個(gè)標(biāo)準(zhǔn)卷積合并成2個(gè)，然后用組卷積替換標(biāo)準(zhǔn)卷積，最后經(jīng)過(guò)2個(gè)1×1的卷積將分類和檢測(cè)頭分離，具體結(jié)構(gòu)如圖4所示。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證Detect?G檢測(cè)頭計(jì)算量、參數(shù)量分別為0.63 GFLOPs、0.2×106。較原解耦頭下降了83%、78%。在維持原有精度的基礎(chǔ)上，大大加快了模型速度。

2.4 "添加注意力機(jī)制

EMA（Efficient Mutli?scale Attention）機(jī)制保留每個(gè)通道上的信息和減少計(jì)算開(kāi)銷，將部分通道重構(gòu)為批處理維度，并將通道維度分組為多個(gè)子特征，使空間語(yǔ)義特征在每個(gè)特征組內(nèi)均勻分布。在YOLOv8n主干網(wǎng)絡(luò)上添加EMA機(jī)制，旨在解決主干網(wǎng)絡(luò)因輕量化改進(jìn)而減少了通道和空間方面的特征信息的維度交互，使改進(jìn)模型通過(guò)跨維交互進(jìn)一步聚合并行分支的輸出特征，以捕獲像素級(jí)成對(duì)關(guān)系，達(dá)到檢測(cè)精度的提升。

EMA采用并行結(jié)構(gòu)。首先對(duì)特征通道進(jìn)行分組，然后經(jīng)由三個(gè)分支。第一個(gè)分支是原特征圖；第二個(gè)分支是將分組后的特征圖分別在寬度和高度兩個(gè)維度做全局平均池化操作，再將兩個(gè)維度的特征拼接合并進(jìn)行堆疊，之后經(jīng)過(guò)Sigmoid函數(shù)與原有特征相乘來(lái)更新權(quán)重；第三個(gè)分支是利用3×3 Conv生成新的特征圖，而后將分支二重新分組后的特征圖和分支三生成的特征圖都通過(guò)平均池化操作和Softmax函數(shù)，生成新的特征，將兩分支的新特征信息和原特征信息交叉點(diǎn)乘后相加，來(lái)實(shí)現(xiàn)跨分支的信息交互，以擴(kuò)大目標(biāo)特征信息的權(quán)重。EMA機(jī)制的結(jié)構(gòu)示意圖如圖5所示。

3 "實(shí)驗(yàn)及結(jié)果分析

3.1 "實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境使用Linux Ubuntu操作系統(tǒng)，顯卡型號(hào)為NVIDIA GeForce RTX 3090，24 GB顯存，處理器為12 V CPU Intel[?] Xeon[?] Platinum 8255C CPU@2.50 GHz，深度學(xué)習(xí)框架為PyTorch 1.10.0，GPU加速庫(kù)為CUDA 11.3，編程語(yǔ)言為Python，解釋器為Python 3.9。訓(xùn)練時(shí)，輸入圖像尺寸為640×640，每個(gè)模型訓(xùn)練周期為200輪，Batch?size為32，使用SGD優(yōu)化器，初始學(xué)習(xí)率為0.01，最終學(xué)習(xí)率為0.000 1。

3.2 "實(shí)驗(yàn)數(shù)據(jù)集選擇與處理

實(shí)驗(yàn)數(shù)據(jù)集采用北京大學(xué)人機(jī)交互開(kāi)放實(shí)驗(yàn)室發(fā)布的PCB缺陷數(shù)據(jù)集[18]，該數(shù)據(jù)集共計(jì)1 396張圖片，包括六種缺陷：漏焊、鼠咬、開(kāi)路、短路、毛刺、余銅。缺陷樣本有限，圖片總數(shù)以及各類別的圖片數(shù)量均無(wú)法滿足要求，且圖片均拍攝在實(shí)驗(yàn)室的理想條件下。因此，使用數(shù)據(jù)增強(qiáng)擴(kuò)充樣本數(shù)據(jù)來(lái)增加模型可學(xué)習(xí)的特征。對(duì)圖像進(jìn)行降低圖像質(zhì)量、亮度調(diào)節(jié)和添加噪聲處理等操作對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，共計(jì)5 050張圖片，并按照7∶1∶2的比例將其劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。后續(xù)實(shí)驗(yàn)皆在該數(shù)據(jù)集上進(jìn)行。圖6為將一張圖片經(jīng)過(guò)數(shù)據(jù)增強(qiáng)后產(chǎn)生的一組圖片。

3.3 "評(píng)價(jià)指標(biāo)

本文采用精確度[P]（Precision）、召回率[R]（Recall）、平均精度均值（mean Average Precision， mAP）、模型參數(shù)量（Params）、每秒十億次的浮點(diǎn)運(yùn)算次數(shù)（GFLOPs）、模型權(quán)重大小等作為模型的評(píng)價(jià)指標(biāo)。通常，Params和GFLOPs越小，表示模型所需的計(jì)算能力就越小，對(duì)硬件的性能要求就越低，在邊緣端設(shè)備中部署就越容易。

計(jì)算公式如下所示：

[P=TPTP+FP] （1）

[R=TPTP+FN] （2）

[AP=01PRdR] （3）

[mAP=i=1nAPin] （4）

式中：TP為缺陷檢測(cè)正確的個(gè)數(shù)；FP為缺陷檢測(cè)錯(cuò)誤的個(gè)數(shù)；FN為缺陷未檢測(cè)出的個(gè)數(shù)；AP為平均精度；mAP為平均精度均值。精確度數(shù)值越大代表模型檢測(cè)越準(zhǔn)確，召回率數(shù)值越大代表模型漏檢率越低。

3.4 "EMA機(jī)制位置

通過(guò)實(shí)驗(yàn)確定EMA模塊的位置：位置1為C2f_Faster_1和C2f_Faster_2模塊后；位置2為C2f_Faster_3和C2f_Faster_4模塊后；位置3為C2f_Faster_1和C2f_Faster_3模塊后；位置4為每個(gè)C2f_Faster模塊后；位置5為每個(gè)Contact模塊前。

mAP@0.5是指IoU（Intersection over Union）閾值為0.5時(shí)的平均精度均值。根據(jù)實(shí)驗(yàn)結(jié)果最終選取位置1為最后的改進(jìn)位置，mAP@0.5提升0.9%，EMA機(jī)制不同位置對(duì)比實(shí)驗(yàn)數(shù)據(jù)如表1所示。

3.5 "消融實(shí)驗(yàn)

為了驗(yàn)證各項(xiàng)改進(jìn)的有效性，采用消融實(shí)驗(yàn)進(jìn)行對(duì)比分析。消融實(shí)驗(yàn)結(jié)果見(jiàn)表2?？梢缘贸鲋鞲删W(wǎng)絡(luò)、頸部、檢測(cè)頭和添加注意力機(jī)制改進(jìn)，mAP@0.5提高了0.9%、1.2%、1.7%、2.1%；最終模型的參數(shù)量、計(jì)算量和模型權(quán)重大小相較原模型下降了36.7%、51.2%和36.5%。

對(duì)YOLOv8n算法和改進(jìn)的YOLOv8?t算法進(jìn)行模型檢測(cè)結(jié)果對(duì)比，選取部分圖片進(jìn)行檢測(cè)結(jié)果展示。檢測(cè)效果如圖7所示。

3.6 "對(duì)比實(shí)驗(yàn)

以Precision、Recall、mAP@0.5、Params、GFLOPs、Weight size作為評(píng)價(jià)指標(biāo)，將本文算法與YOLOv3、YOLOv5s、YOLOv6、YOLOv7?tiny、YOLOv7、YOLOv8n算法在相同配置、相同參數(shù)、相同數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見(jiàn)表3。由實(shí)驗(yàn)數(shù)據(jù)可得，YOLOv8?t算法與YOLOv3、YOLOv5s、YOLOv6、YOLOv7?tiny、YOLOv7、YOLOv8n相比，mAP@0.5分別提高了2.9%、2.6%、3.5%、11.6%、5.0%和2.1%，在參數(shù)量和計(jì)算量上均有大幅度降低。

實(shí)驗(yàn)表明，YOLOv8?t算法在模型輕量化的同時(shí)，有效提高了模型檢測(cè)精度和檢測(cè)速度。

4 "結(jié) "語(yǔ)

基于YOLOv8n的改進(jìn)算法YOLOv8?t，首先利用FasterNet中PConv與C2f相結(jié)合的C2f_Faster對(duì)模型主干網(wǎng)絡(luò)進(jìn)行“瘦身”；其次將模型頸部?jī)?yōu)化成精度高、輕量化的細(xì)頸結(jié)構(gòu)；然后利用參數(shù)共享思想提出輕量級(jí)、高精度檢測(cè)頭；最后添加EMA機(jī)制，提高模型的檢測(cè)精度。

實(shí)驗(yàn)結(jié)果表明，YOLOv8?t具有檢測(cè)精度更高，參數(shù)量、計(jì)算量和模型權(quán)重更小等優(yōu)點(diǎn)。對(duì)邊緣端設(shè)備的硬件需求更低，為邊緣端設(shè)備部署提供了支撐。本文已經(jīng)取得了一定進(jìn)展，局限性在于原始數(shù)據(jù)量較少，未來(lái)的研究除擴(kuò)充數(shù)據(jù)集之外，應(yīng)將改進(jìn)算法部署到邊緣端設(shè)備上進(jìn)一步實(shí)驗(yàn)。

注：本文通訊作者為孟昊。

參考文獻(xiàn)

[1] ADIBHATLA V A， CHIH H C， HSU C C， et al. Defect detection in printed circuit boards using you?only?look?once convolutional neural networks [J]. Electronics， 2020， 9（9）： 1547.

[2] 安維，曾福林.通信產(chǎn)品PCB基礎(chǔ)知識(shí)及其應(yīng)用[M].北京：電子工業(yè)出版社，2021.

[3] GOTO K， KATO K， SAITO T， et al. Adversarial autoencoder for detecting anomalies in soldered joints on printed circuit boards [J]. Journal of electronic imaging， 2020， 29（4）： 041013.

[4] ZHANG H， JIANG L X， LI C Q. CS?ResNet： Cost?sensitive residual convolutional neural network for PCB cosmetic defect detection [J]. Expert systems with applications， 2021， 185： 115673.

[5] 鄧璘.基于機(jī)器視覺(jué)的PCB表面裝配缺陷檢測(cè)方法研究[D].武漢：武漢理工大學(xué)，2019.

[6] MOGANTI M， ERCAL F， DAGLI C H， et al. Automatic PCB inspection algorithms： A survey [J]. Computer vision and image understanding， 1996， 63（2）： 287?313.

[7] DENG Y S， LUO A C， DAI M J. Building an automatic defect verification system using deep neural network for PCB defect classification [C]// 2018 4th International Conference on Frontiers of Signal Processing （ICFSP）. New York： IEEE， 2018： 145?149.

[8] 胡珊珊，肖勇，王保帥，等.基于深度學(xué)習(xí)的PCB缺陷檢測(cè)研究[J].電測(cè)與儀表，2021，58（3）：139?145.

[9] 伍濟(jì)鋼，成遠(yuǎn)，邵俊，等.基于改進(jìn)YOLOv4算法的PCB缺陷檢測(cè)研究[J].儀器儀表學(xué)報(bào)，2021，42（10）：171?178.

[10] CHEN W， HUANG Z T， MU Q， et al. PCB defect detection method based on Transformer?YOLO [J]. IEEE access， 2022， 10： 129480?129489.

[11] 李聞，李小春，閆昊雷.基于改進(jìn)YOLO v3的PCB缺陷檢測(cè)[J].電光與控制，2022，29（4）：106?111.

[12] 楊永躍，夏遠(yuǎn)超.PCB缺陷檢測(cè)深度學(xué)習(xí)算法的精度改進(jìn)[J].電子測(cè)量與儀器學(xué)報(bào)，2023，37（5）：11?19.

[13] 趙巖，孔祥偉，馬春斌，等.基于Darknet網(wǎng)絡(luò)和YOLO4的實(shí)時(shí)電路板故障檢測(cè)算法[J].計(jì)算機(jī)測(cè)量與控制，2023，31（6）：101?108.

[14] REDMON J， FARHADI A. YOLOv3： An incremental improvement [EB/OL]. [2018?08?13]. http：//arxiv.org/abs/1804.02767.

[15] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection [EB/OL]. [2020?04?28]. https：//arxiv.org/abs/2004.10934.

[16] WANG C Y， BOCHKOVSKIY A， LIAO H Y M， et al. YOLOv7： Trainable bag?of?freebies sets new state?of?the?art for real?time object detectors [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2023： 7464?7475.

[17] CHAN K Y， YIU K F C， LAM H K， et al. Ball bonding inspections using a conjoint framework with machine learning and human judgement [J]. Applied soft computing， 2021， 102： 107115.

作者簡(jiǎn)介：張淑卿（1978—），女，河北定州人，碩士，副教授，研究方向?yàn)樯疃葘W(xué)習(xí)。

孟 "昊（2000—），男，河北唐山人，碩士，研究方向?yàn)槟繕?biāo)檢測(cè)。

葛 "超（1980—），男，河北石家莊人，博士，教授，研究方向?yàn)楣夥l(fā)電系統(tǒng)控制。