关键词:
印刷电路板
目标检测
YOLOv8
SRGAN
HGNet_v2
GhostConv
注意力机制
损失函数
OpenCV
摘要:
随着全球电子设备需求的持续增长,印刷电路板(PCB)作为电子设备的核心组件,其产量也在不断攀升。在工业场景下,大规模生产PCB和检测其表面缺陷成为了研究的热点。然而,在设备算力和存储资源有限的情况下,实现快速且精确的缺陷检测十分困难。在生产过程中,如果采集到的图像分辨率过低,会影响检测结果。基于深度学习的图像增强策略和目标检测技术为PCB表面缺陷检测提供了一种有效的方法,但现有的图像增强策略和检测模型存在精度有待提高,且占用的体积和计算资源较大的问题。为了解决这些问题,本研究选择了YOLOv8n和SRGAN作为基本模型,针对性的进行改进,并开发了一套印刷电路板缺陷检测软硬件平台,具体研究内容如下:
(1)针对数据集的样本较少且多样性差的问题,本研究将公开数据集与企业自制数据集融合,并引入数据增强技术,对自制数据集进行重构。基于SRGAN模型,构建了针对PCB缺陷图像的SRGAN-P超分辨率网络模型,在残差网络架构中融入注意力模块,强化边缘特征的提取能力;同时将激活函数替换为Swish函数,以有效缓解梯度消失问题。与基础SRGAN模型对比,改进后的SRGAN-P网络使PSNR提升1.331dB,SSIM值提高0.027,显著增强了图像质量。
(2)针对YOLOV8n网络参数量和计算量较大的问题,设计了YOLOv8n-Edge轻量级检测网络。设计主干网络时,首先利用HGNetv2轻量化主干改进YOLOV8n网络,有效减少了计算量和参数量;随后采用幽灵卷积模块优化HGNetv2主干网络中的HGBlock模块,替换其包含的大量普通卷积,在轻量化和精度之间实现平衡。其次利用卷积模块参数共享机制,设计了轻量化检测头Head-Lite。改进后的YOLOv8n-Edge相较于YOLOV8n模型,mAP虽然下降了0.5%,但实现了参数量下降66%,计算量下降42%。
(3)针对轻量化改进带来的精度下降问题,通过优化注意力模块和损失函数,构建了YOLOv8n-EA(Edge-Attention)检测模型。首先在网络中嵌入坐标注意力模块(Coordinate Attention,CA),通过增强空间位置信息与通道信息的融合,显著提升了小目标检测的精度和细节捕捉能力,同时保持较低的计算复杂度。其次,损失函数作为轻量化检测模型提高检测精度的重要方式,最后改进模型的损失函数,结合MPDIoU和Inner-IoU损失函数的优点,设计了Inner-MPDIoU损失函数,相较于YOLOv8n模型,mAP提升了2.95%,参数量下降44%,计算量下降了45.98%,实现了性能与效率的协同提升。
(4)基于上述研究,开发PCB缺陷检测平台,首先搭建视觉检测硬件系统,优选关键部件;随后设计软件界面,研究数据传输方式及通信协议,构建检测框架。利用Python结合QT Designer开发了“印刷电路板缺陷智能检测系统”,实现对PCB表面六种缺陷的实时监测。最后,通过实验验证系统的实际性能,设计了漏检自动评估代码输出漏检率,结果显示本文算法在检测精度和速度上表现出色,充分满足实际应用需求。