关键词:
深度学习
表面缺陷
缺陷检测
特征提取
摘要:
随着电子制造业的快速发展,电子产品越来越智能化,印刷电路板(Printed Circuit Board,PCB)是智能产品的重要组成件,其质量影响产品的功能和寿命。PCB表面缺陷存在特征微小、缺陷类型多样且易受噪声干扰等问题。传统人工目检方法主观因素较大,检测效率较低,而传统机器视觉检测方法依赖于人工特征,对不同形态特征的缺陷检测能力有限。为提高缺陷检测的精确率,基于深度学习的检测方法具有良好检测效果,已逐步发展成为重要的PCB表面缺陷检测方法。本文在分析PCB缺陷研究现状的基础上,主要研究内容如下:
(1)针对PCB表面微小且缺陷特征不显著问题,提出一种基于注意力机制和空间深度卷积的缺陷检测算法。首先,在YOLOv8n的C2f模块中添加通道注意力机制,使检测模型更关注缺陷区域的特征信息。其次,主干网络中引入空间深度卷积模块,提高对微小缺陷特征信息的学习。再次,优化YOLOv8n的网络结构,设计微小缺陷检测头以提高对微小缺陷特征的捕获。最后,在改进的模型中使用MPDIo U损失函数,优化损失函数以增强模型对缺陷的定位能力。实验结果表明,在北京大学PCB数据集上,本文的检测m AP值达94.70%,较基线模型提高5.50%。
(2)针对背景干扰的PCB缺陷,在像素级检测场景中,提出一种基于改进UNet网络的语义分割算法。首先,对放入模型前的缺陷图像进行预处理,经过滤波等操作使图像特征更清晰,便于后续网络模型对缺陷特征的学习。其次,在UNet的编码器部分引入Res Net网络,提取缺陷特征以使模型学习更充分的缺陷特征。最后,在UNet的跳跃连接模块引入CBAM注意力机制,该模块结合通道特征信息和空间特征信息进一步提高缺陷检测精度。实验结果表明,本文提出的改进模型能够提高分割精度。
(3)本文开发了PCB表面缺陷检测平台,载入本文所提出的缺陷检测算法和缺陷分割算法,用于满足不同场景的需求。本系统包括用户注册、用户登录、算法选择、检测结果可视化等功能。实验表明,通过对系统的测试,本文所提出的算法具有较高的实用性,有效简化了检测的复杂步骤。
综上所述,本文以PCB表面缺陷检测为实际问题导向,开发PCB缺陷检测系统,分别在缺陷定位和缺陷分割两个方面提出改进算法以提高模型对PCB缺陷的检测精度。实验表明,本文所提算法有效提高缺陷检测精确率,具有重要的实际应用价值。