改進YOLOv5s PCB板缺陷檢測算法

摘要：當前PCB板缺陷檢測存在檢測效率低、漏檢或誤檢率高、檢測精度不夠等問題，以YOLOv5s為基礎算法，提出改進算法YOLOv5s-DS。該改進算法首先通過融入DSConv深度可分離卷積進行特征提取，降低網絡參數計算量。其次，采用SIOU損失函數替換GIOU損失函數，提升算法精度，加快收斂速度。研究結果表明，該改進算法有效地提升了PCB板缺陷檢測的精度和檢測速度，降低了漏檢率，為PCB板缺陷檢測提供了參考。

關鍵詞：目標檢測；YOLOv5s；YOLOv5s-DS；PCB板缺陷檢測；深度可分離卷積

一、前言

PCB的質量取決于每條線和孔的質量，而板上數千條線和孔中的任何一個出現了問題都會影響最終產品的質量[1]。早期的PCB缺陷檢測主要依靠人工目測和在線儀器檢測，但這些方法通常存在成本高、效率低、誤檢率高等缺點，且部分檢測方法會接觸到PCB板，容易造成二次損壞，使得目前檢測難以滿足現代PCB板生產效率高、性能好的檢測要求[2]。因此，開發一種高效準確的PCB缺陷檢測系統已經成為當前電路板行業亟須解決的問題。朱紅艷[3]通過對Faster RCNN進行改進，將可變形卷積代替普通卷積，該方法雖然能有效提高檢測速度，但還是無法滿足實時檢測的要求，且計算量較大。朱憲宇[4]通過使用K-means++聚類的方法對YOLOv4算法進行改進，獲取先驗框，檢測精度較高，但小目標漏檢率也較高。Xin H等人通過分析骨干架構CSPDarket53并適當更改模型超參數的設置，為YOLOv4提出了一種改進的網絡模型，從而將準確率提高到96.88%，但該方法訓練速度較慢且小目標缺陷容易漏檢。基于上述相關文獻研究成果，為了更好地平衡PCB缺陷檢測任務的檢測精度、檢測速度和網絡模型體積，本文在YOLOv5s模型的基礎上進行相關改進，提出一種改進模型YOLOv5s-DS。首先，通過融入深度可分離卷積DSConv，使網絡在保證精度的情況下，大幅減少網絡參數的計算量，更容易部署。其次，將YOLOv5s的GIOU損失函數替換為SIoU損失函數，提升檢測精度。

二、改進的YOLOv5s算法

（一）原始YOLOv5s目標檢測算法

YOLOv5模型通過直接對對象定位和分類的方式進行目標檢測，主要由三部分組成，即骨干網絡、頸部網絡和頭部網絡。根據輸入通道數和模塊的使用次數不同可分為四個版本，分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，本文選用四種模型中最小的模型YOLOv5s為基礎模型，該模型檢測速度快，較符合PCB板缺陷實時檢測的要求。

（二）本文改進算法YOLOv5s-DS

雖然YOLOv5s模型在檢測精度上有很好的效果，但由于YOLOv5s參數過多，導致在使用時檢測速度較低，難以滿足工業上PCB板缺陷檢測的要求。因此，本文首先融入DSConv深度可分離卷積，以減少YOLOv5s的參數量。其次，引入SIOU損失函數，提高檢測精度，并將改進后的算法稱為YOLOv5s-DSConv-SIOU算法（簡稱YOLOv5s-DS算法），改進后的算法結構如圖1所示。

1.DSConv深度可分離卷積

深度可分離卷積（DSConv）[5]近年來因其在降低神經網絡中卷積層的計算成本方面的有效性而受到廣泛關注。

深度可分離卷積與傳統卷積相比，它使用更少的參數獲得相似的特征提取結果。式（1）為傳統卷積參數的計算量，式（2）為深度可分離卷積參數的計算量。由式（3）可以看出，深度可分離卷積中的參數為普通卷積的 " "倍。

為傳統卷積的計算量，為深度可分離卷積的計算量， 和為輸入圖像的寬度和高度，為輸入通道數，為卷積核大小，為卷積核數。

從式（3）可以看出 的結果小于1，說明采用深度可分離卷積之后，在特征提取方面與標準卷積提取效果差不多，但在參數量和計算量上卻有大幅度下降。因此本文采用DSConv深度可分離卷積代替原始的傳統卷積進行特征提取。

2.SIOU損失函數

原始的YOLOv5s使用GIOU損失[6]作為邊界框損失函數，它考慮了真實框和預測框之間的距離、形狀以及的損失，但是該邊界框損失函數沒有考慮真實框和預測框之間的方向損失。GIOU損失函數沒有解決方向不匹配問題，導致訓練困難、收斂速度慢和效率低下。因此本文使用由SIOU損失函數代替原始邊界框損失函數，SIOU loss與CIOU loss相比，引入了方向損失，更合理地表示了真實框和預測框之間的損失，從而增強了所提出的改進算法在PCB板缺陷檢測任務上的性能。

SIOU損失由四個成本組成： 、角度、距離、形狀，計算如下：

其中1-指的是成本，表示形狀成本，表示引入角度的距離成本。、角度成本、距離成本和形狀成本的定義和計算公式在下文依次解釋。

指的是真實框和預測框之間的聯合比率的交集，描述了它們的重合程度。它的定義如下：

其中和分別代表預測框區域和真實框區域。

角度成本的定義如下：

其中 表示水平線與連接預測框和真實框中心點的線之間的夾角。?指的是真實框和預測框中心點之間高度差值。指的是真實框和預測框中心點距離差值。

在角度成本定義的基礎上重新定義了距離成本，如下式：

其中（ ）表示真實框的中心點坐標，而（，）表示預測框的中心點坐標。和?分別表示預測框和真實框的最小閉包邊界框的寬度和高度。表示考慮真實框和預測框中心點之間角度大小的距離成本。

形狀成本：

其中（，?）和（，?）分別表示預測框和真實框的寬度和高度。表示控制損失函數對形狀成本的關注程度。為了避免過分關注形狀成本來減少預測框的移動，在這項工作中將的值設置為4，在建議的值范圍內根據Gevorgyan （2022），∈[2，6]。

三、實驗與結果分析

（一）實驗環境及參數設置

本文采用的實驗平臺為Windos10系統和具有12G顯存的NVIDIA GeForce RTX 3060 顯卡。實驗環境為PyTorch 1.8.0 框架、CUDA11.0和CUDNN 8.0.4深度神經網絡加速庫用于模型開發和訓練。

本文在訓練過程中，用于訓練、驗證和測試數據集按照7：2：1的比例自動隨機分配，且利用余弦退火優化方法更新學習率和網絡權重參數。在訓練時，采用Mosaic數據增強（將四張原始圖像合并為一張圖像），并設置每一步使用Mosaic數據增強的概率為50%。訓練時其他超參數設置如下：momentum（動量）為0.937，lr0（學習率）為0.01，batch-size（批量大小）為 32，epoch（迭代次數）設置為400輪，標準圖像輸入尺寸設置為 640×640。

（二）數據集介紹

數據集來自北京智能機器人開放實驗室PCB板數據集，圖像的像素值為2777×2138，缺陷大小占圖片像素大小的0.24%，該數據集一共693張含缺陷的PCB板圖像，含漏孔、鼠咬、開路、短路、雜散、雜銅這六類缺陷。其每個類別圖片張數分別為115、115、116、116、115和116，通過每個類別圖片張數來看，該數據集較為均衡。

（三）評價指標

本文采用的性能評價由四個指標評估：準確度P（precision）、R（recall）、F1和mAP（mean average precision）、浮點運算（FLOPs）。其中P、R、F1、mAP公式分別是：

是網絡模型正確檢測到的目標數量；是網絡模型錯誤檢測到的目標數量；是網絡模型未檢測到的目標數量；表示總類別數；表示單個類別的平均精度，的公式為：

浮點運算（）公式為：

其中，表示卷積的輸入通道數，表示卷積的輸出通道數，K表示卷積核的大小。

（四）性能對比

1.消融實驗

為了驗證DSConv深度可分離卷積、SIOU損失函數對算法的影響，設計消融實驗來驗證，具體通過設計三組實驗對不同的改進進行分析，其余超參數一致，算法性能如表1所示。

從表1可以看出，YOLOv5s-S算法在YOLOv5s算法基礎上改進成SIOU損失函數，其F1提升了1.9%，mAP提升了2.4%，模型大小浮點運算（）和檢測速度（fps）保持不變，說明運用SIOU損失函數替代GIOU損失函數時，可以有效提升F1和mAP，且對檢測速度和模型大小無影響。YOLOv5s-DS算法在YOLOv5s-S算法基礎上融入DSConv深度可分離卷積，其F1提升了0.5%，mAP提升了0.5%，模型大小浮點運算（）減少了0.9和檢測速度增加了6fps，說明融入DSConv深度可分離卷積在保證F1和mAP性能的情況下，可以有效降低浮點運算，提升檢測速度。

為了更方便地看出訓練過程，將mAP進行打印，打印結果如圖2所示。從圖2中收斂速度來看，YOLOv5s-S和YOLOv5s-DS算法在算法收斂上相差不大，而與YOLOv5s算法相比，收斂速度明顯變快。因此，可以證明運用SIOU損失函數替代GIOU損失函數時，可以加快收斂速度、提高訓練效率。從mAP的數值來看，可以發現YOLOv5s-DS算法的mAP值最大，性能最優。

2.不同算法對比

為了進一步驗證本文改進算法的穩定性和先進性，將本文改進算法與目前主流的目標檢測算法進行對比，通過采用目前主流算法（Faster RCNN、SSD、YOLOv3）對本文采用的PCB板數據集進行訓練，其余的超參數與本文設置的超參數一致，訓練得出的結果如表2所示。

（1）從模型大小來看，可以發現本文改進算法YOLOv5s-DS的模型大小最小為47M，其余的模型大小從小到大依次為SSD、YOLOv3、Faster RCNN。因此，從模型大小角度來看，YOLOv5s-DS算法模型最小，最容易部署，適用于算力不太高的計算機設備。從檢測速度和訓練速度來看，YOLOv5s-DS檢測速度和訓練速度最快，其余的模型檢測速度和訓練速度從快到慢依次為YOLOv3、SSD、Faster RCNN，且其中Faster RCNN的檢測速度過慢，無法滿足PCB板缺陷檢測的實時檢測要求。因此，從檢測速度和訓練速度角度來看，YOLOv5s-DS算法檢測速度和訓練速度最快，最能滿足PCB板缺陷檢測的工業要求。

（2）從精度上看，YOLOv5s-DS相比Faster RCNN在F1提升了16.3%，mAP上提升了16.7%。相比SSD在F1提升了32.1%，mAP上提升了31.6%，且SSD精度過低無法滿足PCB板缺陷檢測的精度要求。相比YOLOv3在F1提升了18.2%，mAP上提升了17.7%。因此，從精度來看，YOLOv5s-DS算法精度最高，最能滿足PCB板缺陷檢測的精度要求。

四、結論

通過對YOLOv5s算法融入DSConv深度可分離卷積和使用GIOU損失函數替換為SIoU損失函數來進行改進。改進算法在保證一定精度的情況下可大幅減少網絡參數計算，且采用SIOU損失函數引入了方向損失，更合理地表示了真實框和預測框之間的損失，從而增強了該改進算法對PCB板缺陷檢測的性能。通過最終檢測效果的驗證，該算法模型小、參數少，易于部署，在實際檢測過程中，檢測精度更高，檢測速度更快且有效降低YOLOv5s算法漏檢率。

參考文獻

[1]Li J， Gu J， Huang Z， et al. Application research of improved YOLO V3 algorithm in PCB electronic component detection[J]. Applied Sciences， 2019， 9（18）： 3750-3755.

[2]Lin Y L， Chiang Y M， Hsu H C. Capacitor detection in PCB using YOLO algorithm[C]//2018 International Conference on System Science and Engineering （ICSSE）. IEEE， 2018： 1-4.

[3]朱紅艷. 基于深度學習的PCB裸板表面缺陷檢測研究[D]貴陽：貴州大學，2022.

[4]朱憲宇，熊婕，王檸莎，等.基于改進YOLOv4的PCB裸板缺陷檢測方法研究[J].工業控制計算機，2021，34（09）：39-40+45.

[5]Nascimento M G， Fawcett R， Prisacariu V A. DSConv： efficient convolution operator[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019： 5148-5157.

[6]Chen H， Qi W. Object recognition based on improved YOLOv5[C]//Second Guangdong-Hong Kong-Macao Greater Bay Area Artificial Intelligence and Big Data Forum （AIBDF 2022）. SPIE， 2023， 12593：146-151.

作者單位：廣東培正學院數字科學與計算機學院

■ 責任編輯：周航