王宇航,張凱兵

(1.西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048;2.西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,陜西 西安 710048)

隨著科技發(fā)展以及算力的不斷升級(jí),深度學(xué)習(xí)發(fā)展迅速,目標(biāo)檢測(cè)算法及應(yīng)用也在不斷成熟,使得工業(yè)制造與生產(chǎn)的水平持續(xù)提升。新興的技術(shù)離不開(kāi)底層硬件的基礎(chǔ),由于PCB在生產(chǎn)過(guò)程中,環(huán)境難以控制,且對(duì)生產(chǎn)的條件要求較為苛刻。生產(chǎn)出的PCB會(huì)存在缺孔、鼠咬、開(kāi)路、短路、直刺和雜銅等缺陷。導(dǎo)致生產(chǎn)產(chǎn)品質(zhì)量不合格,使得某些使用該產(chǎn)品的電子設(shè)備出現(xiàn)癱瘓等問(wèn)題。

傳統(tǒng)的人工檢測(cè)[1]難以長(zhǎng)時(shí)間、高效率地應(yīng)對(duì)PCB的細(xì)小缺陷檢測(cè)任務(wù),為提高生產(chǎn)效率,控制缺陷檢測(cè)成本,如何利用高效且高精度的目標(biāo)檢測(cè)算法檢測(cè)PCB中的缺陷已經(jīng)成為研究的熱門(mén)。使用計(jì)算機(jī)視覺(jué)技術(shù),如邊緣檢測(cè)、輪廓檢測(cè)和圖像分割來(lái)進(jìn)行檢測(cè),對(duì)于缺陷檢測(cè)的發(fā)展十分重要[2-3]。易歡等[4]利用基于HALCON軟件采用一系列的圖像處理方式對(duì)PCB進(jìn)行缺陷檢測(cè)。溫悅欣等[5]通過(guò)拉普拉斯銳化來(lái)對(duì)PCB缺陷的特征進(jìn)行加強(qiáng),并通過(guò)SURF算法實(shí)現(xiàn)PCB缺陷檢測(cè)。經(jīng)過(guò)深度學(xué)習(xí)的發(fā)展,逐漸將深度學(xué)習(xí)與缺陷檢測(cè)進(jìn)行結(jié)合應(yīng)用。采用卷積神經(jīng)網(wǎng)絡(luò)[6]提取特征,從而對(duì)缺陷進(jìn)行檢測(cè)等。具有代表性網(wǎng)的網(wǎng)絡(luò)有RNN[7]、FasterR-CNN[8]、YOLOv1[9]、YOLOv3[10]、YOLOv5[11]、YOLOv7[12]等深度學(xué)習(xí)網(wǎng)絡(luò)。蘇佳等[13]利用YOLOv4的網(wǎng)絡(luò)框架,在其中加入注意力機(jī)制并對(duì)PANet結(jié)構(gòu)進(jìn)行改進(jìn),從而提高對(duì)特征的提取能力,來(lái)解決PCB缺陷檢測(cè)問(wèn)題。王淑青等[14]利用基于YOLOv5的模型框架,采用EfficientNetV2結(jié)構(gòu)來(lái)替換原始的主干網(wǎng)絡(luò),針對(duì)小目標(biāo)引入CA注意力機(jī)制來(lái)解決PCB缺陷檢測(cè)問(wèn)題。

與此同時(shí),研究表明注意力機(jī)制可使算法能夠集中關(guān)注輸入中的相關(guān)信息,以便更好地處理和理解數(shù)據(jù),有效提升檢測(cè)準(zhǔn)確性[15]。目前較為常見(jiàn)的注意力機(jī)制有擠壓-激勵(lì)注意力模塊(squeeze-and-excitation,SE)[16]通過(guò)引入squeeze操作即全局平均池化層,將每個(gè)通道的特征圖壓縮為一個(gè)單一的數(shù)值。然后經(jīng)過(guò)excitation操作即全連接網(wǎng)絡(luò),生成通道注意力權(quán)重。這些權(quán)重被應(yīng)用于原始特征圖,以增強(qiáng)重要的特征并抑制不重要的特征,從而提升網(wǎng)絡(luò)性能。瓶頸式注意力模塊(bottleneck attention module,BAM)[17]是一種結(jié)合了通道注意力和空間注意力的注意力模塊。通道注意力部分,首先使用全局平均池化來(lái)將特征圖的每個(gè)通道壓縮成一個(gè)單一的數(shù)值。然后通過(guò)一層全連接網(wǎng)絡(luò),生成通道注意力權(quán)重并應(yīng)用于原始特征圖的每個(gè)通道上,以增強(qiáng)重要的通道信息并抑制不重要的通道?？臻g注意力應(yīng)用一個(gè)特殊的卷積操作來(lái)捕捉特征圖中不同空間位置的相關(guān)性。通道注意力和空間注意力的聯(lián)合作用可以提升網(wǎng)絡(luò)的性能和表達(dá)能力。卷積塊注意力模塊(convolutional block attention module,CBAM)[18]由通道注意力和空間注意力組成,通道注意力部分通過(guò)全局平均池化將特征圖的每個(gè)通道進(jìn)行壓縮,得到通道級(jí)別的表示,通過(guò)兩個(gè)全連接網(wǎng)絡(luò)分支,生成通道注意力權(quán)重?？臻g注意力部分旨在捕捉特征圖中不同空間位置的相關(guān)性和重要性。它通過(guò)使用一維最大池化和一維平均池化操作,分別在水平和垂直方向上對(duì)特征圖進(jìn)行壓縮。然后通過(guò)兩個(gè)全連接網(wǎng)絡(luò)分支,生成空間注意力權(quán)重。聯(lián)合通道注意力和空間注意力,CBAM模塊可以自適應(yīng)地調(diào)整不同通道和空間位置的重要性,從而增強(qiáng)網(wǎng)絡(luò)對(duì)關(guān)鍵特征的表示能力,有效提升網(wǎng)絡(luò)在各種計(jì)算機(jī)視覺(jué)任務(wù)中的性能。

由于單一的YOLOv5網(wǎng)絡(luò)檢測(cè)速度雖然可觀,但在檢測(cè)時(shí)由于各種條件原因,檢測(cè)環(huán)境往往會(huì)出現(xiàn)一些干擾,使得檢測(cè)精度往往難以達(dá)到工業(yè)化標(biāo)準(zhǔn)。本文基于YOLOv5的BiFormer網(wǎng)絡(luò)結(jié)構(gòu),提出了一種使用融合圖像多尺度特征的注意機(jī)制模塊MBiFormer,通過(guò)自適應(yīng)的調(diào)整對(duì)于被檢測(cè)目標(biāo)中更為關(guān)鍵的特征信息,有效增強(qiáng)網(wǎng)絡(luò)對(duì)于關(guān)鍵特征的表示能力,提高了PCB中微小缺陷檢測(cè)的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)對(duì)比分析,改進(jìn)算法有效提升對(duì)于PCB檢測(cè)的精度,滿(mǎn)足工業(yè)化對(duì)PCB缺陷檢測(cè)的精度要求。

1 YOLOv5

1.1 YOLOv5總體結(jié)構(gòu)

作為One-Stage檢測(cè)方法中代表性算法之一,YOLOv5具有相比于其他Single Shot MultiBox Detector(SSD)[19]、ResNet[20]等二階段方法有著更快的速度,更好的通用性、拓展性,這些特性使得YOLO系列算法的發(fā)展?jié)摿κ志薮?。YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)主要由四個(gè)部分即輸入模塊、Backbone主干網(wǎng)絡(luò)模塊、Neck網(wǎng)絡(luò)模塊以及Head模塊組成。Backbone模塊采用輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)CSPDarknet53,模塊包含一系列的卷積層和殘差塊,而每個(gè)殘差塊由一層卷積層、多個(gè)殘差連接和一個(gè)跨層連接組成,有效的輸入圖像轉(zhuǎn)換為一系列特征圖,用于后續(xù)的目標(biāo)檢測(cè)任務(wù);Neck采用了FPN結(jié)構(gòu),有助于從不同層的特征金字塔中提取信息,且一系列上采樣與融合操作可以生成多尺度的特征,模塊對(duì)不同層級(jí)的特征進(jìn)行融合,可以幫助模型在不同大小的目標(biāo)上實(shí)現(xiàn)更好的檢測(cè)性能;Head模塊則由多個(gè)卷積層與全連接層構(gòu)成,通過(guò)置信度邊界框與候選邊界框重疊面積大小進(jìn)行最后的篩選完成檢測(cè)步驟,Head模塊的多尺度預(yù)測(cè)策略,可以在不同尺度的特征圖上進(jìn)行目標(biāo)檢測(cè),提高檢測(cè)的精度。 通過(guò)上述結(jié)構(gòu)與模塊的設(shè)計(jì),使得YOLOv5可以實(shí)現(xiàn)高效目標(biāo)檢測(cè),有效完成缺陷檢測(cè)任務(wù)等。在較快速度的同時(shí)保持較高準(zhǔn)確性,并且,可滿(mǎn)足各種應(yīng)用如智能監(jiān)控、自動(dòng)駕駛等,實(shí)驗(yàn)結(jié)果表明改進(jìn)后的YOLOv5可以以較高準(zhǔn)確度完成PCB的缺陷檢測(cè)任務(wù)。

2 方法的提出

2.1 改進(jìn)YOLOv5總體結(jié)構(gòu)

為了使模型以高精度的方式完成PCB的缺陷檢測(cè)任務(wù),本文對(duì)YOLOv5模型框架進(jìn)行了改進(jìn)。YOLOv5框架模型Backbone骨干網(wǎng)絡(luò)仍采用CSPDarknet53結(jié)構(gòu)來(lái)對(duì)圖像進(jìn)行初始特征提取,得到三個(gè)有效特征層,與特征提取網(wǎng)絡(luò)進(jìn)行特征融合。同時(shí)在獲得三層有效特征層后,分別將經(jīng)過(guò)多尺度改進(jìn)后的MBiFormer模塊融入到特征提取之后,有助于解決由于PCB缺陷較小,且難以檢測(cè)的特征提取的問(wèn)題。之后在FPN結(jié)構(gòu)中,通過(guò)對(duì)不同尺寸的特征層進(jìn)行融合并進(jìn)行連續(xù)卷積從而有效提取特征信息。通過(guò)上述處理可以有效地提取PCB中較為微小的缺陷,從而針對(duì)性的增強(qiáng)PCB微小缺陷的檢測(cè)精度。將FPN得到的特征層傳入到PANet結(jié)構(gòu)并自底向上進(jìn)行融合操作,有效的傳輸強(qiáng)定位信息,通過(guò)對(duì)強(qiáng)語(yǔ)義信息和強(qiáng)定位信息的相互作用從而有效提高模型對(duì)PCB微小缺陷提取的魯棒性,改進(jìn)后的YOLOv5結(jié)構(gòu)圖如圖1所示。

圖1 改進(jìn)YOLOv5總體結(jié)構(gòu)

2.2 雙層路由注意力機(jī)制

注意力機(jī)制(attention mechanism,AM)作為計(jì)算模型中的重要組成,首次在Transform[21]中提出。注意力機(jī)制模擬量注意力分配,允許網(wǎng)絡(luò)專(zhuān)注于它需要關(guān)注的地方,以一種即插即用結(jié)構(gòu)的方式,在提高模型性能和解決序列到序列任務(wù)方面取得了顯著成功。通過(guò)引入查詢(xún)向量和注意力權(quán)重的方式使得模型根據(jù)輸入的信息動(dòng)態(tài)的選擇性關(guān)注輸入的不同特征,從而有效的提升對(duì)于PCB缺陷中的檢測(cè)精度,提高了模型性能。Fu等[22]提出了一種雙重注意力網(wǎng)絡(luò)DANet,可以自適應(yīng)地將局部特征與全局依賴(lài)性相結(jié)合,在傳統(tǒng)的擴(kuò)張型全卷積網(wǎng)絡(luò)之上附加了兩種類(lèi)型的注意力模塊,分別在空間維度和通道維度上建模語(yǔ)義間的依賴(lài)關(guān)系。與上述雙重注意力網(wǎng)絡(luò)思想十分相似,Zhu等[23]提出了BiFormer注意力機(jī)制如圖2所示,一種新的通用視覺(jué)Transformer。以一種自適應(yīng)的方式關(guān)注于查詢(xún)中一小部分相關(guān)的標(biāo)記,且不被其他不相關(guān)的標(biāo)記干擾,BiFormer具有良好的性能與高計(jì)算效率,適用于一些預(yù)測(cè)任務(wù)。

圖2 BiFormer注意力機(jī)制結(jié)構(gòu)

雙層路由注意力機(jī)制(bi-level routing attention,BRA)是一種動(dòng)態(tài)的、查詢(xún)感知的稀疏注意力機(jī)制。其核心思想是在粗粒度的區(qū)域級(jí)別上篩選出大部分不相關(guān)的鍵值對(duì),只保留小部分經(jīng)過(guò)路由的區(qū)域,并在這些路由區(qū)域的并集上應(yīng)用細(xì)粒度的token to token注意力。

BiFormer采用了四階段金字塔結(jié)構(gòu)。在每個(gè)階段中,通過(guò)重疊的路徑嵌入和路徑合并模塊來(lái)處理輸入特征,從而降低空間分辨率并增加通道數(shù)量。然后通過(guò)使用連續(xù)的BiFormer塊對(duì)特征進(jìn)行轉(zhuǎn)換。每個(gè)BiFormer塊中,我們首先使用3×3的深度可分離卷積對(duì)相對(duì)位置信息進(jìn)行編碼,然后依次應(yīng)用BRA模塊和2層MLP模塊來(lái)建?？缥恢藐P(guān)系和生成每個(gè)位置的嵌入。

基于上述BiFormer模塊,本文通過(guò)融合輸入圖像的多尺度特征,提出了一個(gè)有效提升目標(biāo)提取能力的注意力模塊MBiFormer,有助于有效提高YOLOv5對(duì)于小目標(biāo)缺陷的特征提取能力,從而提高PCB缺陷檢測(cè)的準(zhǔn)確性。

2.3 改進(jìn)多尺度輸入的MBiFormer

使用多尺度方法對(duì)于PCB缺陷檢測(cè)有著十分關(guān)鍵的作用,PCB上可能存在不同大小的缺陷,有些缺陷可能較小且細(xì)微,而有些可能較大。使用多尺度的提取方法可以捕獲不同尺寸的特征,幫助檢測(cè)不同級(jí)別的缺陷,特別是對(duì)過(guò)小尺寸或過(guò)大尺寸的缺陷。同時(shí),多尺度方法能夠在不同尺度上進(jìn)行特征提取和分析,有助于提高缺陷檢測(cè)的準(zhǔn)確性和魯棒性,增強(qiáng)缺陷的檢測(cè)和定位能力,使得模型在不同PCB樣本上都能有較好的表現(xiàn)。

不同尺度的信息包含不同層次的語(yǔ)義信息和空間細(xì)節(jié),通過(guò)對(duì)注意力模塊進(jìn)行多尺度信息融合,提高模型對(duì)于圖像不同尺度的感知能力,使得在PCB缺陷檢測(cè)中充分考慮不同尺寸的特征信息,提高檢測(cè)全面性和準(zhǔn)確性。

Q=XrWq

(1)

K=XrWk

(2)

V=XrWv

(3)

式中:Wq,Wk,Wv為查詢(xún)、鍵、值的投影權(quán)重。

區(qū)域間路由和有向圖:通過(guò)構(gòu)建一個(gè)有向圖,確定每個(gè)區(qū)域的關(guān)注區(qū)域。通過(guò)對(duì)Q和K分別進(jìn)行區(qū)域級(jí)平均,得到區(qū)域級(jí)查詢(xún)和鍵Qr,Kr形狀為(S2×C)。然后通過(guò)Qr與轉(zhuǎn)置Kr的矩陣相乘得到區(qū)域間關(guān)聯(lián)圖的鄰接矩陣Ar(形狀為S2×S2)。Ar中的元素表示兩個(gè)區(qū)域之間的語(yǔ)義相關(guān)性。接下來(lái)的關(guān)鍵步驟是通過(guò)保留每個(gè)區(qū)域的前k個(gè)連接來(lái)處理關(guān)聯(lián)圖。具體而言,通過(guò)對(duì)Ar進(jìn)行逐行的top-k操作,得到路由索引矩陣Ir(形狀為S2×K),由此可得Ir的第i行包含第i個(gè)區(qū)域最相關(guān)的k個(gè)區(qū)域的索引,如式(4)和(5)所示:

Ar=Qr(Kr)T

(4)

Ir=topkIndex(Ar)

(5)

式中:Ar為區(qū)域間關(guān)聯(lián)圖的鄰接矩陣,Ir為路由索引矩陣,topkIndex為以通過(guò)返回每行最大值的索引,從而形成一個(gè)索引矩陣用于獲取矩陣中每行的前k個(gè)最大值為目的的算子。

Kg=gather(K,Ir),Vg=gather(V,Ir)

(6)

O=Attention(Q,Kg,Vg)+LCE(V)

(7)

本文通過(guò)對(duì)BiFormer進(jìn)行改進(jìn),提出了一種將圖像多尺度特征進(jìn)行輸入提取并將之在模塊中融合的注意力機(jī)制模塊MBiFormer,具體模塊結(jié)構(gòu)如圖3所示。

圖3 圖(a)為MBiFormer Block模塊結(jié)構(gòu).圖(b)為單個(gè)MBiFormer Block圖

MBiFormer模型采用四階金字塔結(jié)構(gòu)進(jìn)行構(gòu)建,本文以MBlock作為基本模塊。首先,將圖像分成小塊,將每個(gè)小塊轉(zhuǎn)換為嵌入向量。通過(guò)重疊的方式進(jìn)行這個(gè)過(guò)程,從而降低輸入的空間分辨率,并且增加通道數(shù)。然后,在二到四階段通過(guò)Patch Merging模塊,將塊進(jìn)行合并,從而進(jìn)一步降低空間分辨率,增加通道數(shù),進(jìn)一步使用Ni個(gè)連續(xù)的MBiFormer模塊,用來(lái)進(jìn)行特征的變換。

在上述四個(gè)階段中使用連續(xù)的Block來(lái)轉(zhuǎn)換特征,每個(gè)Block組成如下:輸入經(jīng)過(guò)不同卷積的不同尺度圖像特征,用來(lái)獲得包含不同層次語(yǔ)義信息與空間細(xì)節(jié)的特征。之后,我們使用一個(gè)3×3的深度可分離卷積來(lái)隱式編碼相對(duì)位置信息。經(jīng)過(guò)加和融合不同尺度信息的特征并對(duì)編碼后的特征圖Xp。通過(guò)應(yīng)用上述介紹的BRA模塊來(lái)進(jìn)行跨位置關(guān)系建模。 接收輸入融合圖像不同尺度特征的特征圖Xp,并且輸出經(jīng)過(guò)位置關(guān)系建模后的特征圖。接著應(yīng)用雙層MLP模塊,對(duì)每個(gè)位置進(jìn)行嵌入。通過(guò)對(duì)注意力機(jī)制模塊MBiFormer在特征提取層的應(yīng)用,使得模型在提取PCB缺陷的不同深度特征時(shí)更加全面,有效提升檢測(cè)準(zhǔn)確度。

3 實(shí)驗(yàn)部分

3.1 數(shù)據(jù)集及模型訓(xùn)練細(xì)節(jié)

本文以PCB板缺陷檢測(cè)為研究對(duì)象,所使用的PCB缺陷數(shù)據(jù)集包含6種缺陷分別為:缺孔、鼠咬、開(kāi)路、短路、雜銅和偽銅。缺孔(Missing hole):制造過(guò)程中的錯(cuò)誤或設(shè)計(jì)問(wèn)題導(dǎo)致電路板上應(yīng)該有孔洞但卻缺失的情況;鼠咬(Mouse bite):加工過(guò)程中的機(jī)械應(yīng)力或切割工具導(dǎo)致的電路板上通過(guò)孔或焊盤(pán)的邊緣出現(xiàn)的圓形或半圓形咬痕或裂紋;開(kāi)路(Open circuit):連接點(diǎn)松動(dòng)、線(xiàn)路損壞或焊接問(wèn)題等原因造成的導(dǎo)電路徑被中斷,電流無(wú)法流過(guò)的情況;短路(Short):電路中兩個(gè)本不應(yīng)該連接的節(jié)點(diǎn)之間發(fā)生意外的連接,導(dǎo)致電流繞過(guò)了預(yù)期的路徑;雜銅(Spur):材料或加工問(wèn)題引起的電路板上出現(xiàn)的不應(yīng)該存在的突起物或凸起;偽銅(Spurious copper):制造過(guò)程中的錯(cuò)誤、化學(xué)反應(yīng)或污染導(dǎo)致的電路板上不應(yīng)存在的銅質(zhì)雜質(zhì)或未經(jīng)預(yù)期的銅導(dǎo)電層;數(shù)據(jù)集共693張圖片,部分?jǐn)?shù)據(jù)集缺陷如圖4所示,對(duì)數(shù)據(jù)集按照訓(xùn)練集加驗(yàn)證集和測(cè)試集按7:3的比例隨機(jī)劃分。

圖4 部分?jǐn)?shù)據(jù)集

模型訓(xùn)練過(guò)程的初始學(xué)習(xí)率為0.0025,BatchSize為16。經(jīng)過(guò)100次迭代后,學(xué)習(xí)率調(diào)整為0.0001,整個(gè)訓(xùn)練過(guò)程的總迭代次數(shù)為300次。

3.2 評(píng)價(jià)指標(biāo)

為直觀評(píng)估模型性能的指標(biāo),本文選用準(zhǔn)確率P和召回率R以及平均精度均值作為評(píng)價(jià)依據(jù),準(zhǔn)確率P和召回率R,平均精度AP以及平均精度均值mAP的計(jì)算表達(dá)式如下:

(8)

(9)

(10)

(11)

3.3 實(shí)驗(yàn)結(jié)果與分析

為了更定性、直觀地驗(yàn)證本文優(yōu)化算法對(duì)高密度小目標(biāo)PCB缺陷的有效性,將優(yōu)化后的算法與YOLOv5s、YOLOv4、以及YOLOv3算法進(jìn)行比較,得到5種網(wǎng)絡(luò)模型各性能指標(biāo)對(duì)比,如表1所示。

表1 5種網(wǎng)絡(luò)模型的性能指標(biāo)對(duì)比

改進(jìn)后算法模型的缺陷混淆矩陣結(jié)果如圖5所示,其中各個(gè)類(lèi)別的缺陷檢測(cè)效果都較為可觀。其中焊孔缺失、老鼠咬痕、短路、斷路、散雜銅等缺陷預(yù)測(cè)準(zhǔn)確值均達(dá)到0.91之上,由于缺陷突起與背景中的一些缺陷十分相似,但也達(dá)到0.83的準(zhǔn)確率。

圖5 各缺陷混淆矩陣

我們將各種方法識(shí)別結(jié)果進(jìn)行對(duì)比,可以發(fā)現(xiàn):在識(shí)別結(jié)果中,我們的方法有較好的表現(xiàn),置信度高的同時(shí)識(shí)別錯(cuò)誤較少。部分結(jié)果比較如圖6所示,其中紅色框?yàn)榻Y(jié)果中出現(xiàn)錯(cuò)誤檢測(cè)結(jié)果,黃色框?yàn)榻Y(jié)果中沒(méi)有檢測(cè)出即漏檢。

圖6 各方法識(shí)別結(jié)果對(duì)比圖

由上述結(jié)果可知,對(duì)PCB缺陷檢測(cè),在輸入圖像尺寸不變的情況下,本文的優(yōu)化算法提高了模型的平均精度,算法中mAP0.5值為95.8%,分別比YOLOv5s、YOLOv4與YOLOv3高1.3%、2.6%和10.4%;mAP0.5:0.95值為50.2%,分別比YOLOv5s、YOLOv4與YOLOv3高1.4%、8.4%和34.6%,且本文的優(yōu)化算法對(duì)6種PCB板缺陷進(jìn)行檢測(cè),單一類(lèi)別缺陷檢測(cè)精度十分可觀,可以得出改進(jìn)YOLOv5模型算法對(duì)PCB板缺陷的檢測(cè)方法有客觀的實(shí)用價(jià)值。本文通過(guò)在YOLOv5的網(wǎng)絡(luò)基礎(chǔ)上增加了M-BiFormer模塊,有效提升了YOLOv5對(duì)PCB檢測(cè)的精度。在實(shí)際的工業(yè)生產(chǎn)過(guò)程中,可以有效滿(mǎn)足PCB板缺陷檢測(cè)的高精度需求。

4 結(jié)束語(yǔ)

本文通過(guò)對(duì)YOLOv5模型進(jìn)行改進(jìn),在網(wǎng)絡(luò)結(jié)構(gòu)中增加了MBiFormer模塊,并將其應(yīng)用于多尺度特征的提取過(guò)程。通過(guò)高效捕獲不同大小的缺陷,并充分考慮不同尺度的特征信息,提高了檢測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明,優(yōu)化后的算法在PCB缺陷檢測(cè)中表現(xiàn)出較高的準(zhǔn)確率和召回率,其平均精度相較于YOLOv5s、YOLOv4和YOLOv3都有著明顯提高。表明本文的優(yōu)化算法在PCB缺陷檢測(cè)中取得了顯著的性能改進(jìn)。本文提出的優(yōu)化算法可以有效改善工業(yè)生產(chǎn)過(guò)程,滿(mǎn)足PCB缺陷檢測(cè)的高精度需求。通過(guò)增加MBiFormer模塊并融合多尺度特征,該算法在PCB缺陷檢測(cè)中取得了較好的表現(xiàn),為工業(yè)化標(biāo)準(zhǔn)的實(shí)現(xiàn)提供了有力的支持。