基于深度學習的PCB缺陷檢測技術

摘要：印刷電路板（printed circuit board， PCB）是電子產品的關鍵部件。在實際生產過程中，PCB難免會產生多種缺陷，對缺陷進行及時、精準檢測具有一定的研究意義與應用價值。傳統的檢測方法存在速度慢、成本高、精度低的問題。針對PCB缺陷檢測問題，開展基于YOLO系列算法研究，在相同的實驗環境下，以平均精度、精確率、召回率、每秒傳輸幀數作為評價性能指標。實驗研究發現，YOLOv7在精度方面比YOLOv5有一定的提升，而YOLOv5在訓練和推理的速度上比YOLOv7更快。提出融合CBAM （convolutional block attention module）注意力機制模塊的YOLOv5改進算法用于PCB缺陷檢測。經實驗驗證，改進算法在PCB缺陷檢測的精確性和速度性能上均得到提升，其中，平均精度、精確度和召回率分別提升了7.40%，3.57%和5.63%。

關鍵詞：PCB缺陷檢測; 深度學習; YOLOv5; CBAM注意力機制

中圖分類號：O343.1;O341文獻標志碼：A

doi：10.3969/j.issn.16735862.2024.02.009

CUI Song LYU Yan CHEN Lanfeng CHENG Liying ZHANG Wenya CHENG Qiang GU Liru GUAN Wenyin ZHANG Zhimei

（1. College of Physical Science and Technology， Shenyang Normal University， Shenyang 110034， China）

（1. College of Physics Science and Technology， Shenyang Normal University， Shenyang 110034， China；

2. Key Laboratory of Intelligent Computing in Medical Image， Ministry of Education， Shenyang 110003， China）

Abstract：Printed circuit board （PCB） is a key component of electronic products. It is important to detect the PCB defect timely and accurately in the production process. There are some problems with the traditional detection methods， such as slow speed， high cost and low accuracy. Aiming at the PCB defect detection problem， a series of experiments were conducted based on YOLO detection algorithm to test the average accuracy， precision， recall， and FPS （frames per second） in the same experimental environment. Experimental results showed that YOLOv7 has a certain improvement in accuracy than YOLOv5， and YOLOv5 is faster than YOLOv7 in training and inference. In order to improve the performance， an improved algorithm based on YOLOv5 was proposed， the network structure of YOLOv5 was fused the convolutional block attention module （CBAM）. Experiments verified that the average accuracy is improved by 7.40%， the accuracy and recall rate are also improved by 3.57% and 5.63% than those of theYOLOv5 respectively.

Key words：PCB defect detection; deep learning; YOLOv5; CBAM attention mechanism

現如今人工智能技術、大數據技術、云技術、物聯網、5G應用于工業生產，機械巡檢等前沿產業迅速發展［1］，人們不僅對電子產品的需求量逐漸增大，而且對其質量的要求也不斷提升。印刷電路板（printed circuit board，PCB）是電子制造業的重要部件之一，也是電子產品不可或缺的組成部分。PCB往往由數十個甚至成百上千個元件組成，一旦某個焊點出現問題，便會影響整個電路板的功能［2］。如何快速、高效地檢測焊點的連接故障已經成為生產企業必須高度重視的問題［34］。本文開展了基于深度學習的YOLO（you only look once）系列算法在PCB缺陷檢測的應用研究。

1PCB缺陷檢測技術

PCB的6種常見缺陷類型［5］示例如圖1所示。在PCB缺陷檢測領域，自動檢測算法逐漸代替人工檢測。自動檢測算法大致可以分為參照對比法、無參照對比法和混合算法。傳統的缺陷檢測方法數據處理能力有限［6］，而深度學習利用大數據自主學習和自動提取特征，和Onestage算法一樣是深度學習常用的目標檢測算法。Twostage算法生成邊界框，對框中的內容進行分析識別，進而修正邊界框的位置，具有代表性的算法是RCNN。Onestage算法直接生成不同物體的概率值和位置信息，計算成本較低、速度較快，代表算法是YOLO，其通過卷積神經網絡從圖片中獲得位置信息。本文將對YOLOv5進行改進，從而更好地檢測PCB缺陷。

2基于改進YOLOv5的PCB缺陷檢測

2.1YOLOv5的基本原理

YOLOv5算法整體結構和YOLOv4相似，進行了部分優化［7］，其網絡結構如圖2所示。YOLOv5使用了自適應錨框計算，直接將此功能寫入了代碼之中，當訓練不同的數據集時，可以自主適應并生成最優的錨框。YOLOv5算法使用的Focus結構是一種特殊的下采樣方式，把高分辨率的特征圖分割成多個低分辨率的特征圖。在YOLOv5中，Backbone網絡和Neck網絡均采用了跨階段部分（crossstagepartial，CSP）結構。CSP可以提高卷積神經網絡的學習能力，同時減少計算復雜度［8］。

2.2CBAM注意力機制

CBAM（convolutional block attontion module）是一種適用于前饋卷積神經網絡的輕量級模塊［9］，可以集成到任何卷積神經網絡中。該模塊包含2個部分：通道注意力模塊和空間注意力模塊［10］。通過這2個模塊，CBAM可以推斷出輸入特征圖的注意力圖，并將其與輸入特征圖相乘，以實現自適應調整。

1）通道注意力機制模塊（channel attention module，CAM）

通道注意力機制模塊［11］首先對輸入特征圖F進行全局最大池化和全局平均池化下采樣操作，然后將特征圖傳遞給2個全連接層，使用Relu作為激活函數，將這2個全連接層的輸出相加并經過sigmoid激活函數，生成通道注意力機制特征圖MC。

2）空間注意力機制模塊（spatial attention module，SAM）

空間注意力機制模塊［12］將MC與F相乘，得到特征圖F′，然后對F′進行全局最大池化和全局平均池化的下采樣操作，得到2個特征圖并將其拼接，進行卷積操作，將通道數降至1。最后，經過激活函數sigmoid，生成空間注意力機制特征圖MS。

2.3基于CBAMYOLOv5的PCB缺陷檢測

YOLOv5算法的網絡結構由輸入端、Backbone、Neck、輸出端組成。輸入端使用了Mosaic數據增強、自適應錨框計算、自適應圖片縮放；Backbone采用了New CSPDarknet53網絡，增加了Focus結構并改進了CSP結構；在Neck部分采用了FPN+PAN結構；輸出端采用CIOU_LOSS 作為bounding box 的損失函數，增加了NMS非極大值抑制。

為了進一步提升網絡性能，本文在YOLOv5的基礎上融合了CBAM模塊，進行端到端的訓練。在YOLOv5中，Backbone骨干網絡是提取圖像特征的網絡，本文將CBAM注意力機制融合在YOLOv5的Backbone中。增加CBAM注意力機制后，Backbone網絡的處理流程為先對特征圖進行上采樣，用于融合大尺度的特征圖，再在卷積層操作的基礎上融合CBAM模塊，提取更有效的信息，然后再進行卷積和上采樣操作［13］，用于下次的特征圖融合。

2.3.1訓練集與測試集數據劃分

本文數據集來自北京大學智能機器人開放實驗室公開的PCB數據集，選取了518張PCB圖片，按照8∶2的比例進行隨機分配訓練集與測試集，具體分配情況見表1。

2.3.2模型評估指標

在目標檢測中，通常將樣本根據其真實結果和模型的預測結果劃分為真陽性（true positive，TP）、真陰性（true negative，TN）、假陽性（1 positive，FP）、假陰性（1 negative，FN），評價指標主要有精確率、召回率、平均精度均值和每秒傳輸幀數等。

1）精確率（precision）

精確率是針對預測結果進行評價，預測正確的正樣本個數與預測為正樣本的樣本個數之比，表達式如式（1）所示。

precision=TP/TP+FP （1）

2）召回率（recall）

從真實結果考慮，召回率是在所有真實目標中真實正樣本被召回的個數，表達式如式（2）所示。

recall=TP/TP+FN （2）

3）平均精度均值（mean Average Precision，mAP）

mAP是綜合衡量檢測效果的指標，是precision和recall圍成的曲線面積，表達式如式（3）所示。其中：AP是平均精確度，C是數據集類別個數。

mAP=ΣAP/C （3）

4）每秒傳輸幀數（frames per second，FPS）

FPS是目標網絡每秒處理圖片幀數［14］，用來評估算法對目標檢測的速度。

2.3.3網絡模型訓練

在網絡訓練過程中，需要對網絡進行調參優化。本文輸入圖像大小為3034×1586，通過對比不同batch size的訓練效果，最后設置batch size=8；本文設置權重衰減0.0005，較小的權值降低了網絡的復雜度，可以有效避免模型過擬合；學習率對模型性能有較大影響，本文設置學習率為0.01；epoch設置過大，在工業中會產生不必要的資源浪費，epoch設置過小，會導致網絡不夠收斂，訓練效果達不到預期。本文在經過多次對比訓練后發現，當epoch=100時，網絡開始收斂，為了達到更好的訓練效果，本文設置epoch=300。

3實驗結果和分析

本文在如表2所示的實驗環境中對測試集數據進行實驗，檢測結果示例如圖3所示。

對測試數據集進行PCB缺陷檢測，并分別對實驗的性能指標進行分析。

1）mAP

本文提出的CBAMYOLOv5的PCB缺陷檢測PR_curve如圖4所示。

由圖4可以看出，在基于CBAMYOLOv5的PCB缺陷檢測中，缺孔、鼠咬、開路、短路、毛刺、余銅的mAP分別為0.995，0.950，0.990，0.922，0.939，0.947，所有類別綜合的mAP為0.957。

2）precision，pecall

將訓練過程中的precision和recall指標可視化，實驗結果如圖5所示。

由圖5得出，當epoch=300網絡收斂時，precision為97.32，recall為95.22。

3）每秒傳輸幀數

本文提出的CBAMYOLOv5算法的單張圖片平均測試時間為0.283s，其倒數為FPS，值為3.536。

將改進后的基于CBAMYOLOv5算法與YOLOv3，YOLOv5，YOLOv7進行對比，各性能指標見表3。

由表3可以看出，在相同實驗環境下，融合了CBAM模塊的YOLOv5算法相較于YOLOv5算法，mAP提升了7.40%，precision和recall也分別提升了3.57%和5.63%。由于引入了CBAM模塊，相應的增加了一定的計算量，FPS下降0.597，但是下降量相較于YOLOv5算法幾乎沒有差別。通過對以上性能指標的綜合分析可以得出，改進的基于CBAMYOLOv5的PCB缺陷檢測算法優于原始的YOLOv5缺陷檢測算法。

4結語

本文開展了基于深度學習YOLO算法的PCB缺陷檢測實驗研究。選取了數據集中的518張PCB圖片，按照8∶2的比例進行隨機分配訓練集與測試集，在相同的實驗環境下，對YOLOv5算法和YOLOv3，YOLOv7進行訓練對比，將得到的mAP，precision，recall，FPS等性能指標進行比較。實驗結果表明，YOLOv7在效率和精度上都比YOLOv5有相應的提高，但YOLOv5在訓練和推理速度上比YOLOv7快，因而基于YOLOv5的 PCB缺陷檢測具有良好的檢測效果。為了進一步提升YOLOv5算法的性能，通過融合CBAM注意力機制模塊對YOLOv5網絡結構進行改進，并通過實驗驗證了算法性能得到提升，其中mAP，precision和recall分別提升了7.40%，3.57%和5.63%，提高了檢測精度，減少了圖像損失度，能快速準確檢測PCB缺陷。

致謝感謝醫學影像教育部重點實驗室開放課題、沈陽師范大學大學生創新創業訓練計劃資助項目（X202310166190）的支持。

參考文獻：

［1］KRAJCINOVIC D，FONSEKA G U.The continuous damage theory of brittle materials［J］.J Appl Mech，1981，48（4）：809824.廖鑫婷，李泉洲，邱權，等.基于深度學習的PCB缺陷檢測方法［J］.電子產品可靠性與環境試驗，2022，40（4）：3034.

［2］董大興，劉捍植，武澤，等.基于人工智能的PCB缺陷檢測系統［J］.自動化技術與應用，2023，42（3）：129133.

［3］郝建新.PCB板紅外故障檢測系統中多模態圖像配準研究［D］.天津：中國民航大學，2014.

［4］周金祖.PCB故障智能診斷與可視化技術研究［D］.上海：上海工程技術大學，2015.

［5］李俊儒.面向PCB缺陷檢測的圖像處理方法研究［D］.廣州：廣州大學，2023.

［6］李洋.基于深度學習的PCB缺陷檢測研究與實現［D］.呼和浩特：內蒙古大學，2022.

［7］蘇海東，張武，任銘然，等.基于改進YOLOv5的自校準卷積模塊目標檢測算法［J］.汽車實用技術，2023，48（14）：4348.

［8］李發伯，劉猛，景曉琦.基于嵌入式平臺的安全帽實時檢測方法［J］.沈陽理工大學學報，2022，41（6）：612.

［9］龐寧雅，杜安鈺.基于YOLOv5s_Attention的表面缺陷檢測的應用研究［J］.現代電子技術，2023，46（3）：3946.

［10］WOO S，PARK J，LEE J Y，et al.CBAM：Convolutional block attention module［EB/OL］.［20230812］.https：//doi.org/10.48550/arXiv.1807.06521.

［11］GAO X，ZHOU G，ZHANG J，et al.Fault arc detection based on channel attention mechanism and lightweight residual network［J］.Energies，2023，16（13）：4954.

［12］趙子林，韓磊，陳芮，等.基于深度學習的黃丘區正負地形分割［J］.水土保持研究［J］，2023，30（5）：2130.

［13］任維民，鐘國韻，朱偉東，等.基于改進YOLOv5的行人檢測算法［J］.計算機與數字工程，2022，50（11）：24042410.

［14］歐陽家斌，胡維平，侯會達.基于深度學習的電路面板元件檢測研究［J］.計算機應用與軟件，2023，40（5）：119123.

【責任編輯：封文江】