EM-YOLO:通过多尺度的注意力和动态特征融合,通过高精度的电子元件检测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 电气工程 电气工程

背景情况:

• 自动光学检查 (AOI) 面临着错误检测和电子元件电路板检查准确度低的挑战.
• 现有的算法难以检测小型或密集的组件.

研究的目的:

• 开发基于YOLOv11的EM-YOLO增强目标检测算法,以改进电子元件检查.
• 为了解决特征表示,多尺度融合和定位精度的局限性.

主要方法:

• 设计的C3k2_EMA骨干具有高效的多尺度注意力 (EMA),用于增强微小组件特征提取.
• 拟议的BiSPD-FPN部结构集成双向特征金字塔网络 (BiFPN) 和空间金字塔深度卷积 (SPDConv) 以优化特征融合.
• 在检测头中引入了Focal-DIoU损失函数,以提高边界框回归和定位精度.

主要成果:

• 在自制和公共PCB数据集上,EM-YOLO在平均平均精度 (mAP@0.5) 中分别提高了0.5%和3.9%.
• 与基准算法相比,虚假负率 (FNR) 减少了1.3%和4%.
• 在检测准确度方面表现优于主流算法,并显著缓解了错过的检测.

结论:

• 对于电子元件,EM-YOLO算法提供了卓越的检测准确性和减少了虚假阴性.
• 提出的优化有效地提高了特征表示,多尺度融合和本地化.
• EM-YOLO为自动电路板检查提供了强大的和可通用的解决方案.