[发明专利]一种基于改进YOLOv5的PCB板表面缺陷检测方法

说明书

本发明公开了一种基于改进YOLOv5的PCB板表面缺陷检测方法，改进YOLOv5的特征融合网络PANet为BiFPN结构，且添加了SimAM注意力机制，对空间金字塔池化模型SPPF优化后为SPPFCSPC模型，并且缩减了head中用于检测中、大目标的P4、P5结构，使其能够更加准确提取并检测小目标的缺陷，来弥补缺陷检测尺度不足的问题，同时为了进一步解决小目标缺陷检测，优化了训练方法，采用迁移学习的方法，对训练网络的训练权重和参数进行多重迁移化处理，使得短期训练的程度更加充分。

技术领域

本发明属于模式识别技术领域，具体涉及一种PCB板表面缺陷检测方法。

背景技术

印刷电路板是组成电子产品的重要部分，其质量检测成为满足电子产品能否长期正常运作的前提。印刷电路板(Printed Circuit Board,PCB)主要由绝缘基材和导体两类材料组成，在各种电子产品中起到支撑和互连的作用。在印刷电路板出现之前，早期电子元器件之间的互连依靠普通导线直接连接完成，存在尺寸大、装配工艺复杂和电路稳定性差等问题。但是，随着工业自动化制造技术的迅速发展，电子产品的制造开始朝着多功能、集成化和智能化的方向发展。其中，印刷电路板作为电子产品的基础部件，其质量直接影响电子产品的性能。然而，PCB的制作工艺非常复杂，在整个生产制造过程中不可避免受到各种因素的影响，对其质量检测是一项非常重要的工作。虽然深度学习目标检测方法在PCB表面缺陷检测领域中取得了极大的发展，但是依旧存在标签样本数据缺乏、特征学习能力有限、深度网络训练困难以及检测精度和速度不均衡等问题。目标小，难以发现，前景和背景太接近，借鉴COD伪装目标检测和小目标检测的优点去融合，attention有助于更好的定位和识别小目标缺陷。

发明内容

为了克服现有技术的不足，本发明提供了一种基于改进YOLOv5的PCB板表面缺陷检测方法，改进YOLOv5的特征融合网络PANet为BiFPN结构，且添加了SimAM注意力机制，对空间金字塔池化模型SPPF优化后为SPPFCSPC模型，并且缩减了head中用于检测中、大目标的P4、P5结构，使其能够更加准确提取并检测小目标的缺陷，来弥补缺陷检测尺度不足的问题，同时为了进一步解决小目标缺陷检测，优化了训练方法，采用迁移学习的方法，对训练网络的训练权重和参数进行多重迁移化处理，使得短期训练的程度更加充分。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：获取数据集并进行数据预处理；

步骤1-1：对获取的PCB板表面缺陷原始数据集进行截取、翻转、映射，将数据集进行标签转换并对数据集进行划分；将数据集划分为训练、验证和测试集；

步骤1-2：采用mosaic数据增强方式，使用4张图片的数据，经过随机缩放、随机裁剪、随机分布的方式进行拼接，将4张图片组合成一张图片；

步骤1-3：将数据集图像统一缩放到同一个尺寸，然后送入检测网络YOLOv5s_BSSs中；

所述检测网络YOLOv5s_BSSs具体描述如后；

步骤2：在YOLOv5主干中，将原来的Focus操作替换成一个卷积层，增加了SimAM注意力机制，并且对空间金字塔池化结构SPPF进行优化，改为SPPFCSPC，具体流程为：

步骤2-1：对于第0层，[-1,1,Conv,[64,6,2,2]]的模块参数args[64，6，2，2]被解析成[3，32，6，2，2]，64代表卷积核的数量，最终的卷积核数量乘以width_multiple，为64×0.5＝32即第0层输出的维度；6为卷积核大小，2为卷积核的步长，3是本层的输入维度因为输入的图像是彩色的RGB 3通道；