基于YOLO-MCG的PCB缺陷检测算法.pdf
《基于YOLO-MCG的PCB缺陷检测算法.pdf》由会员分享,可在线阅读,更多相关《基于YOLO-MCG的PCB缺陷检测算法.pdf(7页珍藏版)》请在咨信网上搜索。
1、 仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 4 期基金项目:河南省科技攻关项目(232102210100);河南理工大学基本科研业务费基础研究项目(B 类)(NSFRF230601)收稿日期:2023-09-08基于 YOLO-MCG 的 PCB 缺陷检测算法胡兰兰,邓 超河南理工大学物理与电子信息学院 摘要:为解决 PCB 缺陷检测中存在检测精度低,模型尺寸庞大的问题,文中提出基于 YOLO-MCG的 PCB 缺陷检测算法。首先提出多尺度加权通道融合网络缩减模型体积,扩增小目标数据。接着提出混合空间金字塔卷积替换主干网络中 S
2、PP 结构,扩大深层特征图感受野,增强模型语义信息特征提取性能。最后构建轻量化 CG-CSP 模块替换主干网络最深层 CSP 结构,减少网络参数,提高网络过滤冗余背景信息能力。实验结果表明,YOLO-MCG 算法在 8.13 MB 的模型尺寸下平均精度均值为 97.72%,与改进前模型比较,mAP 提升 3.77%,模型尺寸缩减 69.89%,有效降低模型复杂度,提升缺陷检测效果。关键词:PCB 缺陷检测;小目标;混合空间金字塔卷积;轻量化;注意力机制;感受野中图分类号:TP391.41 文献标识码:APCB Defect Detection Algorithm Based on YOLO-M
3、CGHU Lanlan,DENG ChaoSchool of Physics and Electronic Information Engineering,Henan Polytechnic UniversityAbstract:For the problems of low detection accuracy and large model size in PCB defect detection,a PCB defect detection algorithm based on YOLO-MCG was proposed.First,a multi scale weighted chan
4、nel fusion network was presented to reduce the model volume and amplify small target data.Afterwards,the mixed space pyramid convolution was proposed to replace the SPP structure in the backbone network,which expanded the receptive field of deep feature maps and enhanced the performance of the model
5、 semantic information feature extraction.Eventually,a lightweight CG-CSP module was constructed to replace the deepest CSP structure in the backbone network,which reduced the network parameters and improved the networks ability to filter redun-dant background information.Experimental results show th
6、at the YOLO-MCG algorithm obtains an average mean precision of 97.72%with a model size of 8.13 MB.Compared with the pre-improved model,mAP is increased by 3.77%and the model size is reduced by 69.89%,which effectively reduces the model complexity and improves the defect detection effect.Keywords:PCB
7、 defect detection;small target;hybrid spatial pyramid convolution;lightweight;attention mechanism;receptive field0 引言印刷电路板(printed circuit board,PCB)制造是电子产品的基础产业,其质量与电子产品性能相关,由于复杂繁琐的制作工序,使得 PCB 在生产中不可避免地出现各种缺陷。为提高工业生产线中 PCB 缺陷检测正确率,降低资源损耗,提高 PCB 生产合格率十分重要。目前企业以自动光学检测(automatic optical in-spection,AO
8、I)1技术为主流,但该设备成本高,检测结果易受光源与摄像头成像质量等因素影响,具有不确定性。随着卷积神经网络的发展,目标检测技术快速迭代,分别衍生了 Faster R-CNN2、SSD3、YOLO4和 RetinaNet5等算法,为应用深度学习技术检测 PCB缺陷提供了可能。在 PCB 缺陷检测方面,已有研究者设计不同的检测算法,例如,胡兵等6使用 ResNet50 改进 Faster RCNN 骨干网络,且利用 GARPN 预测更加准确的缺陷锚框。文斌等7采用轻量级主干网络和新型特征金字塔网络,压缩网络模型降低信息冗余,提高检测速度。李闻等8使用融合聚类算法重新聚类锚框,并使用通道注意力机制
9、改进特征融合方式提高缺陷检测精度。康力天等9使用 ResNet50 替代 SSD 中 VGG 网络,通过数据增强操作增加目标数量,以此提高 SSD 网络检测效果。杨杰等10借助密集连接卷积网络改进YOLOv3 主干,同时修改损失函数,有效压缩模型大小。苏佳等11修改主干网络及 PANet 结构,将 H-Swish 激活函数应用于改进网络提升训练速度。以上研究方法在检测精度或检测速度方面有所突破,验证001 第 4 期胡兰兰等:基于 YOLO-MCG 的 PCB 缺陷检测算法 了深度学习方法的可行性,但难以在提高精度的同时提升速度。为解决此类问题,本文以 YOLOv5s 为基础提出 YOLO-M
10、CG 算法,首先借鉴 BiFPN12思想修改颈部网络 PANet13结构深浅层特征融合方式,提出多尺度加权通道融合网络(multi scale weighted channel fusion,MSWCF)。接着引入混合空洞卷积(hybrid di-lated convolution,HDC)14,提出混合空间金字塔卷积(mixed space pyramid convolution,MSPC)替换原网络中 SPP15结构,MSPC 可在不降低图像分辨率情况下提升缺陷信息捕获的感受野。最后将主干网络最深层 CSP 模块替换为 CG-CSP 模块,在减少模型参数量同时提升深层输出尺度的语义信息关注
11、度。1 YOLO-MCG 算法YOLOv5 算法设计虽在目标检测精度、速度和召回率等方面表现优异16-17,但面对 PCB 缺陷等小目标检测时效果较差。影响检测效果原因如下:1)PCB 缺陷目标较小,在整张 PCB 图像上像素占比较低,使得网络进行特征提取时可学习小目标数据不充足。由于存在部分缺陷与背景极为相似的情况,导致特征提取过程中易受无关信息干扰,无法充分利用上下文信息,造成目标定位错误。除此之外不同类别缺陷间差异化较弱,对网络进行多尺度特征融合学习语义信息产生困难,导致目标检测时影响分类精确度。2)YOLOv5s 网络设计不利于小目标检测。原始YOLOv5s 网络设计时检测目标范围较广
12、,包含大中小不同尺度目标,故其无法在小目标检测下表现优异。为改善 YOLOv5s 算法在 PCB 小目标缺陷检测时的效果,本文提出 YOLO-MCG 算法,此算法从多尺度加权通道融合、混合空间金字塔卷积和 CG-CSP 模块3 部分进行改进,改进后 YOLO-MCG 模型结构如图 1所示。1.1 多尺度加权通道融合YOLOv5s 将输入图像经主干网络特征提取后生成特征图 C3、C4和 C5,尺度分别为 80 pixel80 pixel、40 pixel40 pixel 和 20 pixel20 pixel,借助 PANet 进行双向特征融合输出检测小、中、大三种目标尺寸的特征图。PANet 结
13、构适合检测目标尺度变化较大的图像,而 PCB 缺陷目标尺度变化较小,其中 20 pixel20 pixel 尺度包含感受野较大,导致小目标在不断卷积过程中丢失像素信息,该层深度较深对 PCB 缺陷检测而言占用大量计算资源,故对其进行裁剪操作。此外引出浅层高分辨率的 C2特征图,C2有助于提高网络对微小目标的敏感度。图 1 YOLO-MCG 模型结构图在进行语义信息与细节信息特征融合时,特征图由于缺乏主干网络中原始特征信息,不利于多尺度特征表达,且 PANet 直接对不同尺度信息进行拼接,造成大量信息冗余或冲突,增加缺陷检测难度。因而本文在 C3层增加横向跳跃融合边,以此扩增特征融合性能。改进后
14、多尺度加权通道融合网络结构如图2 所示。图 2 多尺度加权通道融合网络结构图多尺度加权通道融合网络在多输入节点融合时采用快速归一化融合机制,针对不同尺度赋予对应的权重,以 F3与 P3节点为例,计算公式如式(1)和式(2)。F3=conv(w1C3w2R(F4)w1+w2+)(1)P3=conv(W1C3W2F3W3R(P2)W1+W2+W3+)(2)式中:conv 和 R 分别为卷积和采样;表示 Concate;wi(i=1,2)和 Wi(i=1,2,3)分别表示两输入节点和三输入节点的权重系数;为防止分母为 0 情况出现,=0.000 1。由于 Concate 不要求拼接图像具有相同的通道
15、数,拼接时直接按照原始图像进行通道叠加,用其替代 BiFPN 中 Add 操作,可避免 Add 操作引起新的特征,从而提高网络检测效果。101 仪 表 技 术 与 传 感 器第 4 期1.2 混合空间金字塔卷积由于主干网络最深层输出尺度由 20 pixel20 pixel变为 40 pixel40 pixel,输出特征图感受野大小由 32倍变为16 倍,感受野变小不利于主干网络对图像语义信息的提取。主干 SPP 模块中最大池化虽可实现扩大感受野的作用,但直接选取图像中像素值最大的池化过程,会引起图像分辨率降低丢失细节特征,使得PCB 缺陷信息表征缺失。基于上述问题,本文提出混合空间金字塔卷积结
16、构,混合空间金字塔卷积由混合空洞卷积构成,混合空洞卷积通过膨胀系数控制卷积核间距,以此调整感受野区域。其中混合空洞卷积感受野计算公式如式(3)所示。FHDC=2(r-1)(k-1)+k(3)式中:FHDC为混合空洞卷积感受野;r 为膨胀率;k 为卷积核大小。膨胀率过大会产生网络效应14,丢失部分缺陷细节信息,膨胀率过小不利于感受野的扩增。本文根据文献14中膨胀系数设计规则,设计 3 组膨胀率如下:r1=1,2,3、r2=1,2,4 和 r3=1,2,5,经实验验证 r 取r2时检测精确度最高。由卷积核 k=3,r=r2及感受野FHDC=3,7,15 的混合空间金字塔卷积结构如图 3 所示。图
17、3 混合空间金字塔卷积结构图1.3 CG-CSP 模块为进一步缩小目标检测模型尺寸,提高 PCB 缺陷检测的实时性,本文选取 GhostBottleneck 替换 CSP 残差结构中 Bottleneck。但 PCB 缺陷背景包含大量相似特征,经 GhostBottleneck 线性操作后模型尺寸减少的同时也带来精度下降问题,故引入坐标注意力机制(coordinate attention,CA)18模块,利用全局上下文信息丰富缺陷特征,抑制无关特征,提高网络在复杂场景下的 PCB 缺陷检测效果。改进后 CG-CSP 模块结构如图 4 所示。图 4 CG-CSP 模块结构图1.3.1 Ghost
18、BottleneckGhostBottleneck 利用2 个 Ghost Module 堆叠而成,Ghost Module 是 GhostNet 幻象卷积神经网络(convolu-tional neural network based on the ghost moudle)19的基本模块,结构如图 5 所示。图 5 Ghost Module 结构图对于任意输入特征 XRhwc,经过 Ghost Module的输出特征 YRhwn,其中 h、w 为输入输出特征图的高度和宽度,c、n 分别为输入和输出通道数。Ghost Module 首先使用普通卷积 conv 获得输入输出通道数为 c 和 m
19、 的特征浓缩图,接着使用深度可分离卷积(depthwise separable convolution,DSC)进行线性操作,获得输入输出通道数均为 n-m 的特征冗余,最后拼接2 部分特征,得完整输出特征。以上述输入输出特征为例,经过卷积核 f rkkcm,其中 k 为卷积核高度和宽度,当 mn 时,普通卷积 cnov 与 Ghost Module 的参数压缩率如式(4)所示。r=nhwckknshwckk+ns(s-1)hwkk=scs+c-1s(4)式中 s 为深度可分离卷积运算次数,s=n/m。当 s=c 时,式(4)中 rs,即 conv 的参数量复杂度是 Ghost Module
20、的 s 倍。据此使用 GhostBottleneck 搭建深层卷积神经网络,可使用简单操作获得特征冗余,并有效降低模型复杂度。1.3.2 坐标注意力机制注意力机制根据仿生学原理模拟人类视觉,通过差异化权重值重点关注图像中感兴趣区域,关注区域维度不同导致注意力机制作用不同。单一维度注意力机制,如通道注意力机制 SENet20和空间注意力机制 Non-local21等,缺乏对多维度信息的考量,单独作201 第 4 期胡兰兰等:基于 YOLO-MCG 的 PCB 缺陷检测算法 用于通道或者空间维度时效果较好。但缺陷目标较小,通道特征信息匮乏,且目标背景复杂需要依赖空间全局信息进行特征提取。CA 注意
21、力机制集通道与空间信息于一体,以坐标为载体实现信息嵌入与注意力生成,在捕获跨通道信息的同时获得方向与位置信息,可协助网络准确定位和识别缺陷数据。CA 注意力机制结构如图 6 所示。图 6 CA 注意力机制结构图图 6 中,对于通道数为 C 的输入特征图,X RCHW,其高度和宽度分别为 H、W,CA 注意力机制对第 c 通道输入特征图分别沿水平方向和垂直方向使用全局平均池化,生成 2 个包含特定方向的独立特征映射 Z(h)c,Z(w)c;对 Z(h)c和 Z(w)c经卷积进行位置编码,使用非线性的激活函数处理中间特征图,得到嵌入坐标信息的张量 f(h)c和 f(w)c;将 f(h)c和 f(w
22、)c分别经卷积处理改变通道数,利用 sigmoid 激活函数生成对应方向注意力权重值 g(h)c和 g(w)c;最后将权重值与输入 X 相乘,得到包含通道编码和远程依赖关系的输出 Y。上述 CA 注意力机制编码过程输出如式(5)所示:Y(i,j)=X(i,j)g(h)c(i)g(w)c(j)(5)式中:X(i,j)为输入特征图,i=1,2,W,W 为第 c 通道特征图的宽度参数;g(h)c为第 c 通道中水平方向生成的注意力权重;j=1,2,H,H 为第 c 通道特征图的高度参数;g(w)c为第 c 通道中垂直方向生成的注意力权重;Y(i,j)为输出特征图。2 实验与结果分析2.1 数据集实验
23、 PCB 缺陷数据集来源于北京大学智能机器人开放实验室,由六类缺陷图像组成共计 693 张。初始数据集样本数据过少,易产生过拟合现象,通过镜像、旋转、改变对比度等操作进行样本扩增,扩增后缺陷图像 分 布 如 下:missing _ hole(缺 孔)为 1237 张;spurious_copper(余铜)为1241 张;short(短路)为1235 张、mouse_bite(鼠咬)为 1241 张;open_circuit(开路)为1235 张;spur(毛刺)为 1237 张。6 类 PCB 缺陷放大图如图 7 所示。(a)缺孔 (b)余铜(c)短路 (d)鼠咬 (e)开路(f)毛刺图 7
- 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 YOLO MCG PCB 缺陷 检测 算法
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。