当地和全球上下文增强的轻量级中心PCB表面缺陷检测PCB表面缺陷检测的网络
Weixun Chen1,2, Siming Meng1,2, Xueping Wang3
1The Information Engineering Institute, Guangzhou Railway Polytechnic, Guangzhou 510430, China.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
本研究介绍了LGCL-CenterNet,这是一款用于实时印刷电路板 (PCB) 表面缺陷检测的轻型模型. 它通过结合本地和全球背景特征来提高准确性和速度,提高制造质量.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 制造业 制造技术 制造技术
背景情况:
- 印刷电路板 (PCB) 表面缺陷检测对于制造质量至关重要.
- 现有的PCB缺陷检测计算机视觉方法是计算密集且低效的.
- 高分辨率成像是可用的,但高效的分析仍然是一个挑战.
研究的目的:
- 为实时PCB表面缺陷检测开发一种轻量级和高效的模型.
- 提高自动化光学检查 (AOI) 系统的准确性和推断速度.
- 为了解决PCB制造当前计算机视觉方法的计算局限性.
主要方法:
- 提出了一个本地和全球上下文增强的轻量级CenterNet (LGCL-CenterNet).
- 引入了一个双分支轻量级视觉转换器模块 (LGT),具有本地 (协调注意) 和全球 (双级路由注意) 注意机制.
- 纳入了用于特征融合的路径聚合网络 (PANet) 和使用深度可分离卷积的轻量级预测头.
主要成果:
- 与CenterNet-ResNet18和YOLOv8s相比,LGCL-CenterNet实现了2%和1.4%的mAP@0.5改进,分别是.
- 该模型需要比现有技术更少的参数 (0.542M).
- 证明了卓越的检测准确性和推断速度.
结论:
- 对于PCB表面缺陷检测,LGCL-CenterNet提供了增强的实时性能和稳定性.
- 提出的方法有效地平衡了检测精度和计算效率.
- 这种方法有助于在PCB制造中实现更高效,更可靠的自动化检查.
更多相关视频
11:14Comprehensive Characterization of Extended Defects in Semiconductor Materials by a Scanning Electron Microscope
Published on: May 28, 2016
13.8K
10:42In Depth Analyses of LEDs by a Combination of X-ray Computed Tomography CT and Light Microscopy LM Correlated with Scanning Electron Microscopy SEM
Published on: June 16, 2016
9.2K