【技术实现步骤摘要】
本专利技术涉及pcb检测，特别涉及一种基于改进yolov5算法的pcb表面缺陷检测方法。
技术介绍
1、印制电路板(printed circuit board，pcb)的质量问题是电子信息产业关注的重点之一。在pcb制造领域，缺陷不可避免。一旦某个焊点出现问题，则会影响整个电路板的功能实现。
2、pcb常见的缺陷主要有六种：漏孔、余铜、鼠咬、断路、短路和毛刺，依赖传统人工目视比对检测缺陷，效率低和准确性差，且无法满足大批量和高精度的生产需求。因此，pcb缺陷检测技术需向自动化和智能化方向发展，但现有检测技术在面对复杂多变的pcb缺陷时，其准确性和鲁棒性有待提高。
3、基于机器视觉的pcb缺陷检测已经成为现代pcb制造系统自动化生产过程中品控的重要环节，基于机器视觉的pcb缺陷检测技术不需要依赖人工提取特征，智能缺陷检测算法可对pcb缺陷特征进行精确提取，识别和分类。
技术实现思路
1、本专利技术的目的在于提供一种基于改进yolov5算法的pcb表面缺陷检测方法，以解决
技术介绍
中的问题。
2、为解决上述技术问题，本专利技术提供了一种基于改进yolov5算法的pcb表面缺陷检测方法，包括：
3、步骤s1：获取公开的pcb缺陷数据集，按比例划分测试集及训练集；
4、步骤s2：改进yolov 5 pcb缺陷识别模型，包括改进特征提取网络和改进特征融合网络；
5、步骤s3：采用改进后的识别模型对pcb缺陷图像的训练集进行
6、步骤s4：将缺陷图像测试集传入训练好的模型，记录测试结果并评价模型性能。
7、在一种实施方式中，所述步骤s2中的改进特征提取网络包括：
8、(1)在yolov5的特征提取网络中加入ca(coordinate attention，注意力机制)模块，通过赋予不同权重，从输入特征中精准筛选出关键信息；又因目标位置较小，在获取低分辨率特征图的过程中重复下采样操作而造成的信息丢失，在yolov5的特征提取网络中的最后一个c3模块加入注意力机制ca模块保证目标位置信息完整；其中c3模块是yolov5特征提取网络中一个模块，由三个卷积层和多个bottleneck模块组成；
9、(2)注意力机制模块具体运算过程分为两步，分别为坐标信息嵌入和坐标注意力的生成；坐标信息嵌入部分在每个通道的水平和垂直坐标方向上进行平均池化，转化为一对一维特征编码，得到一对具有方向感知特征的特征图，高度h为第c通道的输出表示为数学表达式如式(1)所示，宽度为w的第c通道的输出写成数学表达式如公式(2)所示：
10、
11、式(1)和(2)中，w为输入特征图宽度，h为输入特征图高度，xc表示沿着水平坐标和垂直坐标对每个通道进行编码；将坐标信息嵌入过程得到的特征图进行拼接、卷积和激活函数的操作，得到同时具有水平与垂直方向空间信息的特征图，函数表达式如式(3)所示：
12、f＝δ(f1([zh,zw])) (3)
13、式(3)中[zh,zw]为沿空间维数的concat操作，δ为非线性激活函数，f1表示对空间信息在水平方向和垂直方向进行编码的中间特征映射；
14、然后将中间特征沿着空间两个方向拆分为和其中c是第c通道，r为控制对通道注意力区块中压缩比率，fh和fw表示分别对两个方向的张量进行卷积与激活函数的操作，将其通道数与原始输入特征图一致，将结果进行扩展作为水平与垂直坐标方向的注意力权重gh和gw，表达式如下式(4)和(5)所示：
15、gh＝σ(fh(fh)) (4)
16、gw＝σ(fw(fw)) 5)
17、上式中σ是sigmoid激活函数，fh为水平方向的卷积函数，fw为垂直方向的卷积函数，将得到的权重与输入的特征图相乘，得到具有权重的特征图，坐标注意力模块的输出如式(6)所示：
18、
19、xc(i,j)为输入特征，为水平方向的注意力权重，为垂直坐标方向的注意力权重。
20、在一种实施方式中，所述步骤s2中改进特征融合网络包括：
21、双向特征金字塔网络结构实现不同尺度特征加权融合，双向特征金字塔网络借鉴panet(path aggregation network，路径聚合网络)从上到下和从下到上的连接，与panet网络不同的有两点：
22、(1)双向特征金字塔网络采用加权相加的方式替代panet网络的通道拼接，双向特征金字塔网络对每个输入的特征图设置一个权重，通过网络学习到每个输入特征层的重要性来决定权重参数，使得不同尺度不同分辨率的特征对其输出的结果贡献产生不一样的结果，从而得到更加精确的预测框；得到的权重使用按照快速归一化融合方法，表达式如式(7)所示：
23、
24、其中，ii表示输入的特征，o表示输出的特征，wi表示特征图权重，∑jwj为各类特征权重求和，ε是一个较小的值0.0001，在每个wi后应用一个激活函数relu(rectifiedlinear unit，线性整流函数)来保证ωi≥0，确保权重更新的稳定性；
25、(2)双向特征金字塔网络增加了neck中间层从输入节点到输出节点的横向连接，将未融合前的完整特征信息与预测输出层相融合，以较少的计算量融合更多的特征。
26、在一种实施方式中，所述步骤s3中对改进后的识别模型进行训练包括：设置输入图像尺寸为1024×1024，设置epochs(总训练周期数)为300，在前三个epochs进行预热训练，将缺陷图像测试集传入训练好的模型中，记录检测结果并评价模型性能。
27、在一种实施方式中，所述步骤s4包括：
28、依据基础指标计算精度precision、召回率recall和平均精确度均值ap，表达式分别如下式所示：
29、
30、式中，tp为真阳性，fp为假阳性；fn为假阴性，p(r)表示查全率和查准率所包围的函数图像面积，将每次检测得到的查全率和查准率根据关系进行合并，然后通过插值法计算平均查准率；
31、另外检测时间detectiontime也被认为是评估模型实时性的重要指标，检测时间指模型检测一张图像所花费的时间，表达式如下：
32、
33、其中，t为测试总时间，n为测试图像总数。
34、本专利技术提供的一种基于改进yolov5算法的pcb表面缺陷检测方法，首先在yolov5特征提取网络中加入ca模块，通过学习特征图中不同区域的相互关系，ca模块更好的捕捉位置信息，提高了网络对目标的关注度，降低无关特征的权重，进而降低模型的误检率；其次用bifpn结构代替panet结构进行不同尺度的特征融合，采用加权相加的方法代替通道拼接，使不同尺度不同分辨率的特征对输出的结果产生不一样的贡献，提高目标识别结果准确率。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5算法的PCB表面缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的基于改进YOLOv5算法的PCB表面缺陷检测方法，其特征在于，所述步骤S2中的改进特征提取网络包括：
3.如权利要求1所述的基于改进YOLOv5算法的PCB表面缺陷检测方法，其特征在于，所述步骤S2中改进特征融合网络包括：
4.如权利要求1所述的基于改进YOLOv5算法的PCB表面缺陷检测方法，其特征在于，所述步骤S3中对改进后的识别模型进行训练包括：设置输入图像尺寸为1024×1024，设置epochs(总训练周期数)为300，在前三个epochs进行预热训练，将缺陷图像测试集传入训练好的模型中，记录检测结果并评价模型性能。
5.如权利要求1所述的基于改进YOLOv5算法的PCB表面缺陷检测方法，其特征在于，所述步骤S4包括：
【技术特征摘要】
1.一种基于改进yolov5算法的pcb表面缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的基于改进yolov5算法的pcb表面缺陷检测方法，其特征在于，所述步骤s2中的改进特征提取网络包括：
3.如权利要求1所述的基于改进yolov5算法的pcb表面缺陷检测方法，其特征在于，所述步骤s2中改进特征融合网络包括：
4.如权利要求1所述的基于改进y...
【专利技术属性】
技术研发人员：詹浣湫，武美妍，王建超，孔锐，顾玉娣，袁进，
申请(专利权)人：中国电子科技集团公司第五十八研究所，
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。