基于测量缺陷特征和骨干网络特征信息的PCB表面缺陷检测模型的优化方法

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) 是重要的电子元件.
• 检测多样化,复杂的PCB表面缺陷是具有挑战性的,因为低分辨率和背景相似性.
• 现有的方法难以应对PCB表面异常的复杂性质.

研究的目的:

• 为准确和高效的PCB表面缺陷检测开发一个优化的算法.
• 为了应对缺陷复杂性,低特征分辨率和背景相似性所带来的挑战.
• 提高用于自动化PCB质量检查的深度学习模型的性能.

主要方法:

• 拟议的YOLOv8_DSM算法结合了CSPLayer_2DCNv3与可变形卷积用于自适应特征提取.
• 推出了浅层低语义特征融合模块 (SLFFM),具有双层路由注意力 (BRA),用于增强特征融合和缺陷背景歧视.
• 采用基于特征地图分离的SPDConv用于下方采样和MPDIoU作为界限框损失函数.

主要成果:

• YOLOv8_DSM实现了63.4% (0.5:0.9 IoU) 的平均平均精度 (mAP),比基线YOLOv8.14提高了5.14%.
• 该模型显示了每秒144.6 (FPS) 的高处理速度.
• 该算法在实际的PCB质量检查系统中成功部署.

结论:

• YOLOv8_DSM算法在PCB表面缺陷检测方面取得了重大进展.
• 可变形卷积,浅层特征融合和注意力机制的整合有效地解决了检测挑战.
• 该模型的高精度和速度使其适用于现实世界的工业PCB质量控制应用.