[发明专利]一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法

说明书

本发明涉及一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法。包括：步骤S1、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注，即标注印刷电路板的缺陷类别和位置；标注完成后，对标注后的数据集进行预处理，得到训练集；步骤S2、将训练集喂给ACYOLOV4‑CSP网络，得到检测印刷电路板微小缺陷的ACYOLOV4‑CSP模型；步骤S3、利用检测印刷电路板微小缺陷的ACYOLOV4‑CSP模型对待检测印刷电路板图像进行检测，若有缺陷，将输出带检测框和类别信息的图像，若无缺陷，将输出和输入图像一样的结果图像。本发明能够实现对印刷电路板缺陷快速、准确地定位和分类，实现了速度与精度的最优平衡。

技术领域

本发明涉及机器视觉领域、印刷电路板生产制造领域以及印刷电路板缺陷检测领域，尤其涉及一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法。

背景技术

印刷电路板（Printed Circuit Board, PCB）是电子工业的重要部件之一，为电子元器件的固定、装配、连接提供支撑，由于其可高密度化、可组装性、可维护性等优点，被广泛应用在通信电子设备、军用武器系统、计算机等领域。对印刷电路板进行缺陷检测，能及时发现印刷电路板的缺陷，避免影响后续使用，甚至引发安全问题，为产品的质量控制提供了保障。

现有的印刷电路板缺陷检测主要分为人工检测、传统视觉检测和基于深度学习的缺陷检测。人工检测需要耗费大量的人力、时间，效率低下。传统视觉检测主要是借助阈值化操作和形态学操作将待检测样品与无缺陷标准样品进行配准，其对图像的质量要求严格，往往受到硬件环境的限制。基于深度学习的缺陷检测主要是利用现有的性能较好的目标检测器，根据缺陷检测需要，设计合适的检测网络。这类方法的可扩展性强，能应对较为复杂的缺陷，且泛化能力好。现有的目标检测方法主要分为两大类，一类是二阶段检测框架，这类框架将目标检测问题视为分类任务，首先利用候选区域网络（Region ProposalNetwork）生成候选框，然后对候选框分类和回归，代表算法有：R-CNN、Fast R-CNN、FasterR-CNN、R-FCN、Mask R-CNN等。另一类是一阶段检测框架，这类框架将目标检测问题视为回归问题，将图片输入到网络，直接生成对应的分类和回归框，无需候选区域网络，代表算法有：YOLO、YOLO 9000、SSD等。一般而言，二阶段的检测器精度高，但速度偏慢。一阶段的检测器速度快，但是精度不如二阶段检测器好。TTD-net采用基于深度学习的方法检测PCB微小缺陷，该网络使用二阶段检测器Faster R-CNN融合FPN和OHEM对印刷电路板微小缺陷检测，实现了最优的精度，但检测速度有待提高。现有方法基于其他轻量级的网络，如基于MoblieNet的检测方法，对TTD-net速度进行了优化，但精度上有明显的下降。

现今，YOLO 系列的最新版YOLOV4实现了COCO数据集上精度和速度的性能最优，不久后有学者提出Scaled-YOLOV4，该算法能够根据不同设备的计算资源，灵活地部署不同尺度的模型，不同scale的模型区别在于网络的深度和宽度，一般而言，算力强大的GPU设备会选取scale较大的模型，网络会更深更宽，精度相对也会高些，反之亦然。Scaled-YOLOV4提出对YOLOV4的backbone网络和neck网络进行CSP化，设计了YOLOV4-CSP模型，该模型较YOLOV4计算量更小，性能更优。本发明设计了一种融合非对称卷积的YOLOV4-CSP缺陷检测方法，实现对印刷电路板缺陷快速、准确地定位和分类，较其他方法而言，实现了速度与精度的最优平衡。本发明验证了融合非对称卷积后的ACYOLOV4-CSP算法在检测小物体缺陷的有效性，同时为工业上其他微小缺陷检测提供了参考。

发明内容

本发明的目的在于提供一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法，该方法实现对印刷电路板缺陷快速、准确地定位和分类，实现了速度与精度的最优平衡。

为实现上述目的，本发明的技术方案是：一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法，包括如下步骤：