基于改进YOLOv5的PCB板表面缺陷检测

王淑青,张子言,朱文鑫,刘逸凡,王娟,李青珏

(1.湖北工业大学电气与电子工程学院,湖北武汉 430068;2.华中科技大学武汉光电国家研究中心,湖北武汉 430074)

0 引言

进入工业4.0时代以来,电子设备与我们的生活紧密相连,而精密的电子产品往往依赖于PCB板进行走线和装配[1-3]。在工业生产中会因为工业设备操作不当,而破坏PCB板原有的电路属性,造成资源浪费。目前,用于PCB板缺陷检测的主要方法有:人工检测法和在线测试[4]。人工检测法受检测人员主观因素较大,且在检测过程中可能会人为造成其他缺陷,检测效率低、人工成本高[5]。在线测试通过电气性能来识别缺陷,常见的有针床测试仪和飞针测试仪,但制造夹具的成本高,检测速度慢[6-7]。

随着机器视觉的快速发展,一种高精度、非接触性的实时检测方法逐渐进入人们视角[8],通过终端与高精度工业相机连接[9],可精准、高效的检测PCB板多类缺陷。如胡珊珊等[10]提出了一种上采样和跳层连接(Skip Connect)进行特征融合的方法,实现对PCB板微小缺陷的检测,但速度有待提高;杨庆华等[11]采用Hough变换和仿射变换配准获取缺陷区域,但检测数据集较少,实验结果缺少说服力;J.Shen等[12]提出一种轻量化模型实现对PCB板的缺陷检测,检测精度较高,有良好鲁棒性。

针对上述研究中PCB板表面缺陷检测存在的各种问题,以YOLOv5深度学习模型为基础,提出了一种更加轻量化的模型。采用EfficientNetV2替代YOLOv5的主干网络,减少模型运算参数。改进注意力机制,引入CA注意力机制代替SE注意力机制,增强模型空间识别能力,提高模型对小目标缺陷的检测效果。……