基于轻量化YOLOv5的印刷电路板表面缺陷检测.pdf
《基于轻量化YOLOv5的印刷电路板表面缺陷检测.pdf》由会员分享,可在线阅读,更多相关《基于轻量化YOLOv5的印刷电路板表面缺陷检测.pdf(7页珍藏版)》请在咨信网上搜索。
1、第2 6 卷第4期2023年文章编号2095-0020(2023)04-0226-06上海电机学院学报JOURNAL OF SHANGHAI DIANJI UNIVERSITYVol.26 No.42023基于轻量化YOLOv5的印刷电路板表面缺陷检测余丽娜,张栋,俞雪锋,何智1,许泽林1(1.上海电机学院机械学院,上海2 0 130 6;2.上海逸航汽车零部件有限公司研发部,上海2 0 1316)摘要针对现存印刷电路板(PCB)缺陷检测方法计算复杂、模型参数量大,不能满足轻量化部署要求的问题,提出基于轻量化YOLOv5的PCB表面缺陷检测方法。该方法使用重参数化视觉几何组(RepVGG)模块
2、组成特征提取网络,解决YOLOv5中因主干网络中参数过多,从而难以部署到移动端的问题;在颈部网络中,采用全局交互卷积(GSConv)替换了部分卷积,保持了模型的精度,使输出更接近标准卷积;此外,采用有效交并比(EIOU)损失函数,加快模型的收敛速度,并提高模型的检测精度。结果表明:相较于YOLOv5,该方法使得参数量减少2 8.7%,计算量降低13.3%,平均精度稳定在99%以上。该网络的提出为PCB的缺陷检测问题提供了一种更高效的方法。关键词印刷电路板(PCB)缺陷检测;YOLOv5;轻量化;有效交并比损失函数中图分类号TP391.41;T N41文献标志码ASurface defect d
3、etection of printed circuit boardsbased on lightweight YOLOv5YU Lina,ZHANG Dong,YU Xuefeng”,HE Zhi,XU Zelin!(1.School of Mechanical Engineering,Shanghai Dianji University,Shanghai 201306,China;2.R&D Department,Shanghai Yihang Auto Parts Co.,Ltd.,Shanghai 201316,China)Abstract A printed circuit board
4、(PCB)surface defect detection method based on lightweightYOLOv5 is proposed to address the problems of complex calculation and large model parametersthat do not meet the requirements of lightweight deployment in existing PCB defect detectionmethods.This method uses a re-parameterization visual geome
5、try group(RepVGG)module to forma feature extraction network to solve the problem that YOLOv5 is difficult to deploy to the mobileterminal due to too many parameters in the backbone network.In the neck network,the globalshuffle convolution(GSConv)is used to replace some convolutions to keep the accur
6、acy of themodel and make the output closer to the standard convolution.In addition,the efficient intersectionover union(EIOU)loss function is applied to accelerate the convergence speed of the model and收稿日期:2 0 2 3-0 5-10作者简介:余丽娜(1998 一),女,硕士生,主要研究方向为图像处理、目标检测,E-mail:指导教师:张栋(196 8 一),男,副教授,博士,主要研究方向
7、为机电液一体化技术,E-mail:2023年第4期improve the detection accuracy of the model.The results show that compared with YOLOv5,thismethod reduces the number of parameters by 28.7%,reduces the computational complexity by13.3%,and stabilizes the average accuracy above 99%.The proposed network provides a moreefficien
8、t method for PCB defect detection.Key words printed circuit board(PCB)defect detection;YOLOv5;lightweight;efficientintersection over union(EIOU)loss function余丽娜,等:基于轻量化YOLOv5的印刷电路板表面缺陷检测227印刷电路板(Printed CircuitBoard,PC B)作为各种电子设备的重要部件1,其质量影响着电子产品的功能与寿命。PCB的制作工序复杂,很容易出现缺孔、缺口、短路等缺陷,且缺陷范围普遍较小,能够快速准确地检测
9、出PCB中存在的缺陷已成为一个必然需求。早期的PCB缺陷检测方法,不能够达到现代化生产的检测要求。之后,以机器视觉为核心的自动光学检测系统2 逐渐得到应用。同传统的机器学习相比,基于深度学习的PCB缺陷检测方法更加高效,其分为两大类:一是基于区域建议的双阶段缺陷检测算法,如区域卷积神经网络算法3;二是端到端的单阶段缺陷检测算法,如YOLO(You Only Look Once)系列算法4-6。伍济钢等7 针对现用PCB缺陷检测方法存在通用性低、实时性差等问题,提出基于改进YOLOv4的PCB缺陷检测算法,引人MobileNetV381作为特征提取网络,引人InceptionV3作为检测网络。许
10、思昂等9改进了YOLOv5检测算法,通过增加特征融合通路,减小信息的损耗,并且使用注意力机制,大幅提高原算法的准确率。李闻等10 1改进了YOLOv3算法,利用基于密度的带噪声应用空间聚类方法和k均值聚类算法重新聚类,并在网络中加人挤压激励注意力模块,从而强调了有用的特征通道,改进之后的算法在检测精度、检测速度方面都有了明显提升。为了使检测模型更加轻便从而有利于工业实际应用,并进一步平衡缺陷检测中的速度和精度,本文提出了基于轻量化YOLOv5的PCB表面缺陷检测算法。本文使用有效交并比(EfficientIntersection Over Union,EI O U)损失函数,解决了完整交并比(
11、Complete Intersection Over Union,CIOU)损失函数中长宽比等比例变化惩罚失效的问题11,提高了检测精度;在YOLOv5的主干网络中使用重参数化视觉几何组(Re-parameterizationVisual Geometry Group,RepVGG)结构12,简化了网络,缩小了模型体积;在颈部网络中使用全局交互卷积(Global Shuffle Convolution,G SCo n v)13 替换部分卷积,其融合了标准卷积和深度可分离卷积,保持了准确性。通过对YOLOv5原模型的一系列改进,不仅使网络模型得到了轻量化,而且很好地平衡了精度和速度,有利于将其应
12、用到PCB缺陷检测中。1基本原理1.1YOLOv5检测网络YOLOv5网络主要由输人端、主干网络、颈部网络组成。主干网络主要是由跨阶段局部暗网(CrossStage Partial Darknet53,CSPD a r k n e t 53)和快速空间金字塔池化模块141组成,其中CSPDarknet53借鉴了跨阶段局部网络的思想。YOLOv5中设计了两种跨阶段局部结构,一个集中应用于主干网络,另一个则应用于颈部网络中。颈部网络由结合了跨阶段局部结构的路径聚合网络以及最后的3个检测层组成。图像先经过主干网络进行特征提取,这个过程中会得到不同大小的特征图,之后在快速空间金字塔池化模块中进行局部和
13、全局特征的融合;在路径聚合网络中进行了自上向下和自下向上的特征融合,这有利于高底层信息的传递,之后检测层对目标的位置、宽高、置信度及类别信息进行预测,并输出结果。1.2EIOU损失函数在回归损失计算中原YOLOv5算法采用了CIOU损失函数,它的应用使得模型收敛速度和检测精度有了明显的提高,但经推导得出预测框的宽高之间存在反比关系。若预测框的宽高都小于或228者大于目标框的情况都是不合理的,而损失函数EIOU,考虑了3个几何因素:重叠面积、中心点距离、纵横比,保留了CIOU损失函数的有利特征,重新定义了惩罚指标,使目标框和预测框的宽高差值最小11。EIOU损失函数的表达式为d(bp,bgt)E
14、Loss=1-I ou+w+hd(wp,Wgt)+d(hpshgt)wI A,nB,IIou=TA.UBJ式中:bgt、b p 为目标框和预测框中心点的坐标;d(bp,b g t)为目标框和预测框中心点的欧氏距离;。h。为预测框和目标框最小外接矩形的宽高;p、hp为预测框的宽高;Wgt、h g t 为目标框的宽高;d(p,g t)、d(h p,h g t)为预测框和目标框宽度、高度的差值;A。、B为预测框、目标框的面积大小。1.3RepVGG结构模块一些复杂的卷积神经网络比简单的卷积神经网络精度更高,但其缺点也是非常明显的,如残差网络中的残差加法15和某些网络中的分支拼接16 使得模型推理速度
15、变慢,内存利用率降低。RepVGG是一种简单的视觉几何组式结构,本文使用两种不同的RepVGG模块。图1展示了其在训练时的结构,主要由3X3、11大小的卷积、批量规范化(Batch Normalization,BN)算子和整流线性激活函数组成。其中RepVGG模块1步长为1,共有3个分支;RepVGG模块2 步长为2,可进行下采样操作,共有两个分支。33卷积BNRepVGG11卷积BN模块1BN33卷积BNRepVGG模块2图1训练时的RepVGG模块模型推理时,利用结构重参数化技术对多分支进行融合操作,使其成为单路模型。结构重参数化上海电机学院学报主要包含两个步骤:将具有二维卷积层和BN层的
16、分支融合为一个二维卷积层,以及将只有BN层的分支转换成一个二维卷积层;将每个分支上的二维卷积层融合为一个卷积层。对于卷积层,每个卷积核的通道数与输入特征图的通道数相同,卷积核的数量决定了输出特征图的通道个数。对于推理过程中的BN层,主要包含4个参数:均值、方差。、比例因子和偏差,其中、在训练(1)h(2)整流线性激活函数整流线性激活函数11卷积BN2023年第4期过程中通过统计得到,、是由训练学习得到。将11卷积转换成3X3卷积的过程比较简单,如一个1X1卷积层中某一个卷积核,只需在原来权重周围补零即可;将BN层转换成3X3卷积,利用恒等映射构造出一个卷积层;3X3卷积层的多分支合并就是将它们
17、的参数相加即转换成一个单路3X3卷积层。1.4卷积 GSConv卷积GSConv是由标准卷积、深度可分离卷积和一种均匀混合策略组成的混合卷积13,其最大的优势在于大大减小了因深度可分离卷积在计算过程中,输入图像通道信息分离而导致的不利影响。在运算中,首先使用的标准卷积块由3部分组成:二维卷积层、BN层和激活层;然后采用深度可分离卷积,以减少参数和浮点操作的数量,先在输人层上应用深度卷积,使用多个卷积核分别对输人层的多个通道做卷积运算并堆叠在一起,再使用卷积核大小为11的卷积进行计算,得到只有一个通道的结果,接着再重复多次同样的卷积操作,得到一个深度的卷积结果;最后利用均匀混合策略将来源于标准卷
18、积的信息全部融入深度可分离卷积的输出中,在不同的通道上均匀地交换本地特征信息。1.5改进后模型网络结构为了能够快速定位检测区域,降低模型复杂度,并保持准确率,本文对原模型的网络结构进行了改进,改进后模型网络结构如图2 所示。利用RepVGG模块构建特征提取网络,一共应用12 个RepVGG模块建立了新的主干网络,其中模块1共计7 个,模块2 共计5个。通过对主干网络的特征信息提取方式进行调整,减少了特征提取的网络层次。在颈部网络中应用4个GSConv卷积替换原颈部网络中的一部分卷积,相比于标准卷积,其2023年第4期通过添加深度可分离卷积层和均匀混合操作增强了非线性表达能力,采用深度可分离计算
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 量化 YOLOv5 印刷 电路板 表面 缺陷 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。