【技术实现步骤摘要】
本专利技术涉及pcb缺陷检测，更具体的说是涉及一种针对边缘mcu的pcb板缺陷检测方法、设备及存储介质。
技术介绍
1、印刷电路板(pcb)在多个领域，包括医疗、军事及消费电子中扮演关键角色，其质量直接影响电子设备的性能与可靠性。传统的pcb缺陷检测方法，如人工检查和电学测试，不仅成本高昂，效率低下，而且无法满足现代工业化需求。为此，结合机器视觉的自动光学检测(aoi)技术已广泛应用于工业生产线，特别是利用高分辨率光学传感器与先进的图像处理模型(包括传统机器学习和深度学习方法)来识别pcb表面缺陷。
2、尽管深度学习方法在缺陷检测领域取得了显著成就，但pcb的多样形状和低分辨率特征使得基于深度学习的端到端模型面临误检和漏检问题。此外，随着云计算和物联网(iot)技术的发展，尽管云平台提供了强大的数据处理能力，但数据传输的大带宽需求和隐私泄露风险仍是挑战。边缘计算作为一种新兴趋势，通过在本地处理数据，能够减少延迟，提高实时性，并更好地保护隐私。
3、因此，如何提供能够解决上述问题的一种针对边缘mcu的pcb板缺陷检测方法、设备及存储介质，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种针对边缘mcu的pcb板缺陷检测方法、设备及存储介质，有效解决pcb缺陷检测中的漏检和误检问题。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种针对边缘mcu的pcb板缺陷检测方法，包括：
4、获
5、分别采用可变形卷积和分离特征下采样优化yolov10模型；
6、采用优化的yolov10模型检测pcb板的缺陷。
7、可选的，采用可变形卷积优化yolov10模型包括：
8、构建yolov10中的csplayer_2conv卷积模块，并将可变形卷积第三代dcnv3融入csplayer_2conv卷积模块中，得到csplayer_2dcnv3卷积模块。
9、可选的，可变形卷积第三代dcnv3的计算如公式如下：
10、
11、其中g为聚合组的总数。对于第g个组，wg∈rc×c′表示第g组的位置无关的投影权重，其中c′＝c/g代表组维度；mgk∈r表示第g组中第k个采样点的调制标量，通过沿维度k的softmax函数进行归一化；xg∈rc′×h×w表示切片后的输入特征图；δpgk是对应于第g组中网格采样位置pk的偏移量，p0表示输入特征图上的基准位置。
12、可选的，采用分离特征下采样优化yolov10模型包括：
13、构建分离特征图下采样卷积spdconv模块，所述分离特征图下采样卷积spdconv模块包括：一个空间到深度spd层和一个非跨步卷积层；
14、所述分离特征图下采样卷积spdconv模块通过原始图像转换方法对yolov10中骨干网络的csplayer_2dcnv3输出特征映射进行下采样。
15、可选的，优化yolov10模型还包括：
16、去除yolov10模型骨干网络中冗余的下采样卷积层。
17、可选的，优化yolov10模型还包括：
18、将yolov10模型数据格式从32位浮点数转换为8位整数。
19、可选的，采用优化的yolov10模型检测pcb板的缺陷，包括：
20、将优化的yolov10模型作为pcb缺陷检测模型，量化后生成tflite二进制文件，通过stm32cube.ai扩展包x-cube-ai-8.0.1将tflite二进制文件转为优化后的c语言的pcb缺陷检测模型，并部署到gd32h757mcu中检测pcb板的缺陷。
21、一种针对边缘mcu的pcb板缺陷检测设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的pcb板缺陷检测程序，所述pcb板缺陷检测程序配置为实现针对边缘mcu的pcb板缺陷检测方法。
22、一种存储介质，所述存储介质上存储有pcb板缺陷检测程序，所述pcb板缺陷检测程序被处理器执行时实现针对边缘mcu的pcb板缺陷检测方法。
23、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种针对边缘mcu的pcb板缺陷检测方法、设备及存储介质，先对pcb缺陷特性，优化yolov10模型设计一种高精度的pcb缺陷检测模型。其次利用模型特征图可视化技术对pcb缺陷检测模型进行优化，以适应微控制单元mcu的硬件限制。本专利技术不仅显著降低了pcb缺陷检测模型对存储和计算资源的需求，还保持了高推理速度和准确性，解决了在弱网环境下实时数据处理的问题，优化了整个工业互联网系统的响应速度和安全性，具体的有益效果为：
24、1)针对pcb缺陷检测中目标复杂性高、形状多样、分辨率低且背景相似等业务特征，本专利技术提出了一种优化方法，结合可变形卷积技术和分离特征图下采样方法，有效缓解了因这些特性导致的目标检测漏检和错检问题，从而显著提高检测精度。
25、2)为了在模型参数与检测精度之间实现最佳平衡，本专利技术采用特征图可视化技术对模型的骨干网络进行简化。此方法有效解决了ai模型在mcu部署时面临的诸如flash内存容量有限、计算资源受限及模型推理速度较慢等问题，确保在资源受限的硬件环境下，仍能保持高效的推理性能与精度。
26、综上，本专利技术提供的一种针对边缘mcu的pcb板缺陷检测方法、设备及存储介质，这些改进为在工业应用中实现实时、高精度的pcb缺陷检测提供了关键技术支持，有望在工业自动化和智能制造领域得到广泛应用。
本文档来自技高网...【技术保护点】
1.一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，采用可变形卷积优化YOLOv10模型包括：
3.根据权利要求2所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，可变形卷积第三代DCNv3的计算公式为：
4.根据权利要求1所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，采用分离特征下采样优化YOLOv10模型包括：
5.根据权利要求1所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，优化YOLOv10模型还包括：
6.根据权利要求1所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，优化YOLOv10模型还包括：
7.根据权利要求1所述的一种针对边缘MCU的PCB板缺陷检测方法，其特征在于，采用优化的YOLOv10模型检测PCB板的缺陷，包括：
8.一种针对边缘MCU的PCB板缺陷检测设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的
9.一种存储介质，其特征在于，所述存储介质上存储有PCB板缺陷检测程序，所述PCB板缺陷检测程序被处理器执行时实现如权利要求1至7中任一项所述的针对边缘MCU的PCB板缺陷检测方法。
...【技术特征摘要】
1.一种针对边缘mcu的pcb板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种针对边缘mcu的pcb板缺陷检测方法，其特征在于，采用可变形卷积优化yolov10模型包括：
3.根据权利要求2所述的一种针对边缘mcu的pcb板缺陷检测方法，其特征在于，可变形卷积第三代dcnv3的计算公式为：
4.根据权利要求1所述的一种针对边缘mcu的pcb板缺陷检测方法，其特征在于，采用分离特征下采样优化yolov10模型包括：
5.根据权利要求1所述的一种针对边缘mcu的pcb板缺陷检测方法，其特征在于，优化yolov10模型还包括：
6.根据权利要求1所述的一种针对边缘mcu的pcb板缺...
【专利技术属性】
技术研发人员：陈雯柏，赵鑫，孔祥源，李紫阳，刘辉翔，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。