基于YOLOv5_4layers的PCB小目标缺陷识别方法.pdf
《基于YOLOv5_4layers的PCB小目标缺陷识别方法.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv5_4layers的PCB小目标缺陷识别方法.pdf(5页珍藏版)》请在咨信网上搜索。
1、2024 年第 3 期仪 表 技 术 与 传 感 器Instrument Technique and Sensor基金项目:中央高校基本科研业务费专项资金资助项目(FRF-DF-22-12)收稿日期:2023-08-27基于 YOLOv5_4layers 的 PCB 小目标缺陷识别方法杨萍萍,白艳茹北京科技大学高等工程师学院 摘要:针对 PCB 表面缺陷分辨率低、小目标性以及多样性等问题,提出了一种基于 YOLOv5_4layers的 PCB 小目标缺陷识别方法。该方法在 YOLOv5 架构的基础上,通过新增采样层的方式添加小目标检测层,优化特征金字塔模型,提升小目标特征提取性能,实现小目标缺
2、陷识别。在调整合适的锚框规格后,改进后的模型在输入 640 像素640 像素图像时,相较原模型识别精确率提升了 7.5%。在输入 736像素736 像素图像时,识别精确率提升了 1.3%,有效地提升了对 PCB 小目标缺陷的识别能力,对提高PCB 制造过程的质量控制和产品可靠性具有实际意义。关键词:PCB;小目标缺陷识别;深度学习;YOLOv5_4layers;特征提取中图分类号:TP391 文献标识码:AYOLOv5_4layers Based Small Target Defect Identification Method for PCBYANG Pingping,BAI YanruSc
3、hool of Advanced Engineering,University of Science and Technology BeijingAbstract:Aiming at the issues such as low resolution,small target size,and diversity of surface defects for PCB,a PCB small target defect identification method based on YOLOv5_4layers was proposed.Based on the YOLOv5 architectu
4、re,a small target de-tection layer was added by adding a new sampling layer and optimizing the feature pyramid model with the purpose of improving the feature extraction performance of small targets and realizing the detection of smaller targets.After adjusting the appropriate an-chor frame specific
5、ations,the improved model has a 7.5%higher detection accuracy than the original model while the image input size is 640 pixels640 pixels.When the image input size is 736 pixels736 pixels,the accuracy rate is increased by 1.3%,which effectively improves the identification ability of PCB small target
6、defects,and has practical significance for improving the quality control and product reliability of PCB manufacturing process.Keywords:PCB;small target defect identification;deep learning;YOLOv5_4layers;feature extraction0 引言印制电路板(printed circuit board,PCB)作为集成各种电子元器件的信息载体,提供了电子元器件之间的连接和支持结构。及时准确地检测
7、和识别 PCB 表面缺陷对确保电子设备的正常运行、质量控制和功能实现至关重要1-6。深度学习技术的飞速发展,有效地克服了数据采集过程中外界干扰对目标检测的不利影响,在 PCB 缺陷识别方面取得了初步成效7-8。典型的 YOLO 系列模型因其相较于卷积神经网络(convolutional neural network,CNN)在特征提取实时性和精确性方面的优势,在 PCB 缺陷识别领域得到了广泛关注和认可。例如,利用 YOLOv4 目标检测算法,设计了 PCB 缺陷检测模型,并对模型性能进行评估9;基于 YOLOv5 目标检测算法,设计了全新的 PANet 多特征融合结构,实现了高效的双向跨尺度
8、连接和加权特征层融合10;针对缺陷特性去除大目标检测尺度,保留中小目标检测尺度,改进了 YOLOv5s 网络,实现了 PCB 缺陷检测11;对于小目标 PCB 表面缺陷检测能力较弱的情况,提出 SPDYOLOv5 模型,以 SPDConv 取代模型中各阶段的降采样卷积,提高模型对细节信息的关注度12;将 YOLOv5 轻量化用于 PCB 缺陷检测,用GhostNet 替换了原模型的特征提取网络,提升了模型对 PCB 缺陷检测的识别效果13;在 YOLOv5 目标检测算法的基础上,设计了加强特征网路,实现了特征信息融合,引入注意力机制和 Transformer 结构,增强了模型捕捉全局信息能力,
9、提升了模型准确率14等。这些探索与尝试对于提高 PCB 制造质量、降低成本、提高生产效率具有重要意义,但在小目标检测方面仍然存在不足。虽然采用多个预测尺度等方法来识别57 仪 表 技 术 与 传 感 器第 3 期不同大小的目标,但可能无法在低分辨率的预测尺度上获得足够的特征信息,导致目标识别不准确。为改善小目标的识别效果,本文基于传统深度学习 YOLOv5 架构的网络模型,通过新增采样层的方式添加了小目标检测层,优化特征金字塔模型,使其能够对更小的目标进行识别,在调整合适的锚框规格后,使其满足 PCB 表面缺陷识别的要求,提升整体识别性能,满足 PCB 生产制造的高标准、高效率、高精度要求。1
10、 基于 YOLOv5 架构的缺陷识别方法1.1 YOLOv5 网络结构及算法YOLOv5 是一种基于 CNN 的目标检测算法,具有训练速度快、检测精度高和模型权重小等优点。YOLOv5 的 网 络 结 构 主 要 分 为 输 入 端、Backbone、Neck、Prediction 4 部分。其中,输入端用于接收图像并对其进行预处理;骨干网络 Backbone 负责对其进行特征提取;颈部 Neck 通过不同层级之间的特征融合形成特征金字塔;Head 根据预定义锚框的大小处理不同层级的特征并输出对应的结果15-17。YOLOv5 训练过程中的正反向传播通过不断迭代传播过程,逐渐优化模型性能,提高
11、目标检测的准确性和鲁棒性,使模型能够更准确地检测目标。实验使用的源码为官方发布的 YOLOv5_5.0 版本,使用 Py-thon 语言编程,基于 Pytorch 环境实现,采用的数据集是由北京大学计算机视觉与模式识别实验室开发的用于缺陷识别与检测的数据集。该数据集包含 1 386张 PCB 图像样本,每张图像上都标注了不同类型的瑕疵区域,共计 6 种瑕疵类型:缺失孔(missing_hole)、鼠标咬 伤(mouse _ bite)、开 路(open _ circuit)、短 路(short)、杂散(spur)和伪铜(spurious_copper)。该数据集规模较大且瑕疵类型多样,标注精准
12、,为算法的训练和评估提供了准确参考。由于所提供的数据集将数据按照对应类别划分,且格式属于 YOLOv5 能够使用的 VOC 数据集格式,需要对其进一步整理。将其按照图片和标注划分为2 个数据集,按照 4:1 的比例随机抽取划分为训练集及验证集。然后,对标注中.xml 格式的数据进行解析,解析为.txt 的格式,目的是 将 5 类 标 签 信 息 class、x_center、y_center、width、height 转换为能够被 YOLOv5使用的格式;最后,建立.txt 文件作为训练集和验证集的路径指导。1.2 评价指标训练过程中,采用的评价指标为精确率(Preci-sion)、召回率(R
13、ecall)、平均精度 map 0.5 和 map0.5:0.95。其中,Precision 的表达式为Precision=TPTP+FP(1)式中 TP为正确目标检测个数;FP为错误目标检测个数。Recall 的表达式为Recall=TPTP+FN(2)式中 FN为漏检目标个数。对于目标检测任务,每个分类都可以得到一条精度-召回率曲线 PR Curve,即精确率与召回率的关系曲线,在不同阈值下计算,检测精度是曲线下面积 AP的值。AP 值越高,检测精度越高。map 0.5 是将IoU 设置为 0.5 时,计算每个类别中所有图像的 AP 并求平均值;map 0.5:0.95 是步长为 0.05
14、 时不同 IoU阈值下的平均 map,范围是 0.50.95。上述 4 个评价指标全面地关注模型的预测准确性、目标检测能力和泛化能力,在评估和比较不同模型或不同训练设置时提供了全面的评价,能够有效地评估神经网络的训练结果。通过分析这些指标,了解模型的性能优劣,从而对模型优化与改进。1.3 训练结果与分析在 YOLOv5 算法的基础上,使用相同的迭代次数100,设置了多种输入图像的大小作为实验参照。实验结果如表 1 所示。表 1 基于 YOLOv5 的不同输入图像大小实验结果%输入尺寸/像素精确率召回率map 0.5map 0.5 0.9564064085.680.383.234.3736736
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv5_4layers PCB 目标 缺陷 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。