融合浅层特征和注意力机制的PCB缺陷检测方法

TP391%TP18; 缺陷检测是印制电路板(PCB)生产过程中质量控制的重要环节.由于PCB表面缺陷尺寸微小,导线布局复杂多样,现有的检测算法难以充分利用微小缺陷的特征信息,其检测准确率难以满足生产需求.为解决上述问题,提出针对PCB微小缺陷检测的YOLOv5-TDD算法.该算法在YOLOv5基础上,首先在颈部网络中增加浅层特征融合分支,提升微小缺陷特征信息流通效率;其次引入SE-SiLU注意力机制模块,以对特征信息分配权重的方式,提高网络对浅层特征的微小缺陷信息关注度.实验结果表明,YOLOv5-TDD在PCB_DATASET缺陷数据集测试中,其检测精度mAP为99.12％,相较于YOLO...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 3; pp. 1092 - 1104
Main Authors 廖鑫婷, 张洁, 吕盛坪
Format Journal Article
LanguageChinese
Published 东华大学机械工程学院,上海 201620%东华大学人工智能研究院,上海 201620%华南农业大学工程学院,广东 广州 510642 31.03.2024
东华大学人工智能研究院,上海 201620
Subjects
tiny defect
注意力机制
特征融合
feature fusion
YOLOv5
attention mechanism
微小缺陷
printed circuit board
印制电路板
Online AccessGet full text

Cover

More Information
Summary:TP391%TP18; 缺陷检测是印制电路板(PCB)生产过程中质量控制的重要环节.由于PCB表面缺陷尺寸微小,导线布局复杂多样,现有的检测算法难以充分利用微小缺陷的特征信息,其检测准确率难以满足生产需求.为解决上述问题,提出针对PCB微小缺陷检测的YOLOv5-TDD算法.该算法在YOLOv5基础上,首先在颈部网络中增加浅层特征融合分支,提升微小缺陷特征信息流通效率;其次引入SE-SiLU注意力机制模块,以对特征信息分配权重的方式,提高网络对浅层特征的微小缺陷信息关注度.实验结果表明,YOLOv5-TDD在PCB_DATASET缺陷数据集测试中,其检测精度mAP为99.12％,相较于YOLOv5提高了3.54％,检测精度优于其他算法.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.0039