文 峰，陳禹銘

(沈陽(yáng)理工大學(xué)信 息科學(xué)與工程學(xué)院，沈陽(yáng)110159)

電子元器件表面的缺陷檢測(cè)是深度學(xué)習(xí)應(yīng)用的一個(gè)重要組成部分，其精準(zhǔn)度、檢測(cè)速度與訓(xùn)練速度會(huì)直接影響電子元器件產(chǎn)品的最終品質(zhì)與生產(chǎn)節(jié)奏。人工檢測(cè)的方法早已不能滿足電子元器件現(xiàn)代化生產(chǎn)制造的需求。近些年，基于深度學(xué)習(xí)的缺陷檢測(cè)已經(jīng)有了廣泛應(yīng)用，如布匹表面缺陷檢測(cè)[1]、磁環(huán)表面缺陷檢測(cè)[2]、陶瓷磚表面缺陷檢測(cè)[3]以及鋼軌表面缺陷檢測(cè)[4]等。因此，可以設(shè)計(jì)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，實(shí)現(xiàn)電子元器件表面的缺陷檢測(cè)。

目前根據(jù)檢測(cè)思路的不同將基于深度學(xué)習(xí)的目標(biāo)檢測(cè)網(wǎng)絡(luò)框架分成兩大類：

一類是基于候選區(qū)域的兩階段深度學(xué)習(xí)目標(biāo)檢測(cè)算法，主要有SPP-Net[5]、R-CNN[6]、Fast-RCNN、Faster-RCNN[7]，及以此為基礎(chǔ)的優(yōu)化算法，其共同特點(diǎn)是先找到圖片中物體的邊界框，再用分類器確定框里的物體類別，并回歸精修邊界框的位置；

另一類是基于回歸方法的端到端單階段深度學(xué)習(xí)目標(biāo)檢測(cè)算法，主要有YOLO[8-10]、SSD[11]、FPN、RetinaNet[12-13]、RefineDet[14]、CornerNe等，其中YOLO系列算法在檢測(cè)精度與速度方面表現(xiàn)突出，得到了廣泛的應(yīng)用。

1 YOLOv4目標(biāo)檢測(cè)框架

1.1 YOLOv4網(wǎng)絡(luò)架構(gòu)

在原有YOLOv3算法基礎(chǔ)上，YOLOv4 算法從數(shù)據(jù)的處理方法、主干網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)的訓(xùn)練方式、激活函數(shù)優(yōu)化、優(yōu)化損失函數(shù)等方面進(jìn)行大幅調(diào)整，如自對(duì)抗訓(xùn)練、DropBlock正則化、SPP(Spatial Pyramid Pooling，空間金字塔池化)等，使得模型在檢測(cè)速度和精度上取得較大提升。

YOLOv4 網(wǎng)絡(luò)架構(gòu)由主干網(wǎng)絡(luò)(backbone)、頸部網(wǎng)絡(luò)(neck)、頭部網(wǎng)絡(luò)(head)三部分組成。主干網(wǎng)絡(luò)的作用是對(duì)圖像進(jìn)行特征提?。活i部網(wǎng)絡(luò)的作用是通過(guò)自上而下或自下而上的方式對(duì)各層的特征進(jìn)行融合，如FPN(Feature Pyramid Networks、特征金字塔網(wǎng)絡(luò))、PAN(Path Aggregation Network，路徑聚合網(wǎng)絡(luò))等；頭部網(wǎng)絡(luò)的作用是接收主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)提取加工后的特征信息，進(jìn)行分析計(jì)算后輸出預(yù)測(cè)的結(jié)果。YOLOv4的網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 YOLOv4網(wǎng)絡(luò)架構(gòu)

1.2 YOLOv4算法原理

YOLOv4算法首先通過(guò)主干網(wǎng)絡(luò)提取輸入樣本的特征，之后通過(guò)頸部網(wǎng)絡(luò)進(jìn)行特征融合，最后輸入到頭部網(wǎng)絡(luò)中進(jìn)行檢測(cè)。YOLOv4頭部網(wǎng)絡(luò)與YOLOv3頭部網(wǎng)絡(luò)相同，均將輸入圖像劃分成(S，S)的網(wǎng)格，S由最終進(jìn)入頭部網(wǎng)絡(luò)的特征圖尺寸決定，如(76，76)尺寸的特征圖，S值為76，每個(gè)單元格負(fù)責(zé)檢測(cè)中心點(diǎn)落在該格子內(nèi)的目標(biāo)。為完成總共C個(gè)類別目標(biāo)的檢測(cè)，YOLOv4頭部網(wǎng)絡(luò)初始設(shè)定每個(gè)網(wǎng)格預(yù)測(cè)3個(gè)邊界框以及邊界框的置信度Conf(Object)[15-16]，置信度的計(jì)算公式為

Conf(Object)=P(Object)×IOU

(1)

式中：P(Object)表示目標(biāo)落入該候選網(wǎng)格中的概率；IOU(Intersection Over Union)代表真實(shí)框與預(yù)測(cè)框之間的交并比，公式為

(2)

式中：box(Pred)代表預(yù)測(cè)框；box(Truth)代表真實(shí)框；area()代表面積。每個(gè)預(yù)測(cè)框包含五個(gè)參數(shù)，分別為x、y、w、h、Conf(Object)，其中x、y代表預(yù)測(cè)框中心與真實(shí)框中心的x軸偏移量與y軸偏移量；w、h分別代表預(yù)測(cè)框的寬和高[17]。依據(jù)網(wǎng)格的輸出結(jié)果，單個(gè)頭部網(wǎng)絡(luò)最終的輸出為S×S×3(5+C)大小的張量。

2 基于改進(jìn)的YOLOv4目標(biāo)檢測(cè)

2.1 頭部網(wǎng)絡(luò)結(jié)構(gòu)分析

原YOLOv4模型有3個(gè)頭部分支進(jìn)行目標(biāo)分類與回歸定位，每個(gè)頭部分支對(duì)應(yīng)3個(gè)尺寸的先驗(yàn)框。為了適應(yīng)多尺度檢測(cè)，較小尺寸的頭部分支對(duì)應(yīng)較大尺寸的先驗(yàn)框；反之，較大尺寸的頭部分支對(duì)應(yīng)較小尺寸的先驗(yàn)框。因此，在實(shí)際應(yīng)用中可對(duì)實(shí)際數(shù)據(jù)集進(jìn)行缺陷尺寸分析，通過(guò)去掉不必要的頭部分支來(lái)簡(jiǎn)化模型并保障檢測(cè)精度。

2.2 先驗(yàn)框尺寸優(yōu)化

目標(biāo)檢測(cè)算法中先驗(yàn)框機(jī)制的引入摒棄了以往的多尺度滑動(dòng)窗口遍歷環(huán)節(jié)，提升了目標(biāo)檢測(cè)的速度和精度[18]。YOLOv4算法的損失由坐標(biāo)損失、IOU損失和分類損失三部分構(gòu)成，使用更符合目標(biāo)尺寸的先驗(yàn)框可以減少IOU損失，從而降低算法整體的損失值，加快模型的收斂，提升模型的檢測(cè)效果。

由于數(shù)據(jù)集的不同，COCO數(shù)據(jù)集聚類得到的先驗(yàn)框尺寸并不適合實(shí)際應(yīng)用。需使用聚類分析方法對(duì)實(shí)際應(yīng)用數(shù)據(jù)集的標(biāo)注框進(jìn)行分析，獲取與數(shù)據(jù)集中目標(biāo)尺寸及比例相匹配的先驗(yàn)框尺寸。聚類算法一般使用歐氏距離作為樣本點(diǎn)到聚類中心的距離，但使用歐式距離衡量標(biāo)簽相似性會(huì)導(dǎo)致大尺寸標(biāo)簽產(chǎn)生較大的誤差，嚴(yán)重影響聚類的結(jié)果，故本文采用聚類中心與標(biāo)簽的交并比IOU作為聚類的相似度參數(shù)。聚類距離計(jì)算公式為

d=1-IOU

(3)

聚類的數(shù)量代表了不同尺寸先驗(yàn)框的數(shù)量，先驗(yàn)框的數(shù)量能夠確定頭部網(wǎng)絡(luò)的分支數(shù)量，通過(guò)選擇適當(dāng)?shù)木垲悢?shù)量，可對(duì)頭部分支進(jìn)行裁剪。此外，根據(jù)聚類中心的尺寸調(diào)整頭部網(wǎng)絡(luò)中先驗(yàn)框的尺寸，能夠提升模型的收斂速度與檢測(cè)效果。

2.3 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整

YOLOv4復(fù)雜的網(wǎng)絡(luò)架構(gòu)能夠?qū)Υ蟛糠謹(jǐn)?shù)據(jù)集都有較高的檢測(cè)精度，但復(fù)雜的網(wǎng)絡(luò)架構(gòu)也會(huì)帶來(lái)計(jì)算量的增加。網(wǎng)絡(luò)架構(gòu)的調(diào)整主要是在滿足精度要求的基礎(chǔ)上，最大化地削減網(wǎng)絡(luò)的計(jì)算量，提升檢測(cè)速度與訓(xùn)練速度。因此，考慮訓(xùn)練速度、檢測(cè)速度與檢測(cè)精度三者的均衡，本文設(shè)計(jì)三種逐步簡(jiǎn)化的網(wǎng)絡(luò)模型，分別為模型Ⅰ、模型Ⅱ、模型Ⅲ。對(duì)于YOLOv4網(wǎng)絡(luò)模型的調(diào)整主要有以下幾個(gè)方面。

(1)頭部網(wǎng)絡(luò)調(diào)整

YOLOv4 模型的原有三個(gè)分支，分別用來(lái)識(shí)別圖像中進(jìn)入網(wǎng)絡(luò)后的大中小三個(gè)尺寸的目標(biāo)。通過(guò)對(duì)元器件缺陷目標(biāo)尺寸進(jìn)行聚類分析可知，保留針對(duì)大目標(biāo)的頭部檢測(cè)分支不能提升精度，可將其去除，保留對(duì)中等目標(biāo)和小目標(biāo)檢測(cè)效果較好的兩個(gè)分支來(lái)實(shí)現(xiàn)頭部網(wǎng)絡(luò)的裁剪。

(2)頸部網(wǎng)絡(luò)調(diào)整

對(duì)頸部網(wǎng)絡(luò)中特征融合方式進(jìn)行調(diào)整，由于目標(biāo)尺寸主要為小目標(biāo)，將大尺寸特征圖下采樣后與中等尺寸特征圖進(jìn)行融合提升的檢測(cè)效果有限，故去除頸部網(wǎng)絡(luò)中用于特征融合的PAN結(jié)構(gòu)，可進(jìn)一步減少網(wǎng)絡(luò)的計(jì)算量，提升網(wǎng)絡(luò)模型的訓(xùn)練速度與檢測(cè)速度。

(3)主干網(wǎng)絡(luò)裁剪

主干網(wǎng)絡(luò)的深度直接影響特征提取速度與網(wǎng)絡(luò)的整體速度。盡管深層的模型非線性表達(dá)能力更好，但同時(shí)也帶來(lái)計(jì)算量的增加。若檢測(cè)目標(biāo)特征明顯、背景簡(jiǎn)單，可通過(guò)適當(dāng)減少主干網(wǎng)絡(luò)殘差結(jié)構(gòu)的數(shù)量，降低網(wǎng)絡(luò)模型的復(fù)雜度。

模型Ⅰ在原網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上去除針對(duì)大目標(biāo)的頭部檢測(cè)分支，結(jié)構(gòu)如圖2所示。模型Ⅱ在模型Ⅰ的基礎(chǔ)上去除頸部網(wǎng)絡(luò)中用于特征融合的PAN結(jié)構(gòu)與SPP結(jié)構(gòu)，同時(shí)調(diào)整主干網(wǎng)絡(luò)中殘差結(jié)構(gòu)的數(shù)量，結(jié)構(gòu)如圖3所示。模型Ⅲ在模型Ⅱ的基礎(chǔ)上進(jìn)一步降低網(wǎng)絡(luò)的深度，去掉輸出尺寸為(19，19)的殘差結(jié)構(gòu)，同時(shí)對(duì)頸部網(wǎng)絡(luò)進(jìn)行相應(yīng)調(diào)整，去除(19，19)尺寸的特征圖上采樣后與(38，38)尺寸特征圖進(jìn)行融合的FPN結(jié)構(gòu)，其結(jié)構(gòu)如圖4所示。

圖2 模型Ⅰ架構(gòu)圖

圖3 模型Ⅱ架構(gòu)圖

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集

本文訓(xùn)練和測(cè)試的數(shù)據(jù)集來(lái)源于某廠拍攝的電子元器件圖像。其中測(cè)試集圖片數(shù)量為500，訓(xùn)練集數(shù)量為3000。數(shù)據(jù)集中缺陷類別共為4類，分別為A類(邊緣缺失)、B類(內(nèi)角破損)、C類(多余焊錫)、D類(內(nèi)部弧形區(qū)域破損)，各類別之間特征明顯。

圖4 模型Ⅲ架構(gòu)圖

3.2 K-means++聚類分析

對(duì)數(shù)據(jù)集進(jìn)行聚類分析，能夠?qū)δＰ偷牟眉襞c先驗(yàn)框尺寸的設(shè)置提供可靠的依據(jù)，本實(shí)驗(yàn)采用K-means++算法對(duì)數(shù)據(jù)集進(jìn)行聚類分析。

使用K-means++算法進(jìn)行聚類后得到平均IOU(目標(biāo)標(biāo)注框與其所在簇的簇心的平均交并比)與聚類中心k的關(guān)系如圖5所示。

圖5 平均IOU與聚類中心k的關(guān)系曲線

由圖5可見，隨著k的逐漸增大，平均IOU也逐漸增大，但曲線斜率逐漸減小，k大于6時(shí)，平均IOU基本不變，故本實(shí)驗(yàn)選擇聚類中心個(gè)數(shù)為k=6，在此基礎(chǔ)上得到大小分別為(1，16)、(16，6)、(13，12)、(30，17)、(58，12)、(59，33)的先驗(yàn)框，并依據(jù)尺寸大小分配給目標(biāo)檢測(cè)模型中兩個(gè)不同的頭部。

3.3 樣本增強(qiáng)

工業(yè)生產(chǎn)中由人工提取的訓(xùn)練樣本數(shù)量有限，嚴(yán)重影響模型的實(shí)際檢測(cè)效果。為提高模型的泛化能力，提升模型的檢測(cè)效果，使用樣本增強(qiáng)方法對(duì)訓(xùn)練樣本進(jìn)行數(shù)據(jù)擴(kuò)增。

本文除使用調(diào)整對(duì)比度、曝光度、加噪聲干擾等數(shù)據(jù)增強(qiáng)方式外，根據(jù)所使用數(shù)據(jù)集的特點(diǎn)設(shè)計(jì)一種樣本增強(qiáng)方式來(lái)擴(kuò)充訓(xùn)練數(shù)據(jù)集，其過(guò)程如下。

(1)將樣本標(biāo)記后產(chǎn)生的掩碼圖以二值圖像的形式讀取，然后將樣本原圖與二值圖像形式的掩碼圖的像素值相加，得到背景為黑色的缺陷圖，如圖6所示。

圖6 生成缺陷圖

(2)對(duì)缺陷圖進(jìn)行物理變換，改變?nèi)毕莸奈锢硇螒B(tài)(多次調(diào)整缺陷的縮放倍數(shù)與角度，使用鄰近插值或雙線性插值等方法徹底改變?nèi)毕菸锢硇螒B(tài)，形成新的缺陷)。

(3)先將缺陷圖由彩色圖轉(zhuǎn)換為灰度圖，而后設(shè)置閾值將圖像進(jìn)行二值化，使圖像變?yōu)楹诎變缮男问剑瞥扇毕輬D的蒙版；與蒙版中黑色區(qū)域重疊的像素將被刪除，與蒙版中白色區(qū)域重疊的像素將被保留，蒙版中黑色像素值是0，白色像素值是255；剔除掉背景圖(不含缺陷的正常樣本)中的缺陷所在區(qū)域和缺陷上的空白區(qū)域，形成新的無(wú)缺陷背景圖；最后把新的缺陷補(bǔ)到背景圖中合成一個(gè)新的樣本。樣本生成過(guò)程示例如圖7所示。

3.4 評(píng)價(jià)指標(biāo)

在目標(biāo)檢測(cè)領(lǐng)域，為準(zhǔn)確評(píng)估模型檢測(cè)效果，需要計(jì)算被檢目標(biāo)的精準(zhǔn)度(precision)、召回率(recall)及均衡平均數(shù)(f1-score)。

precision度量模型預(yù)測(cè)的準(zhǔn)確率，其含義是模型預(yù)測(cè)出來(lái)的正樣本中實(shí)際正樣本數(shù)量，其計(jì)算式為

(4)

式中：TP是實(shí)際為正樣本且被模型判定為正樣本的數(shù)量；FP是實(shí)際為負(fù)樣本但被模型判定為正樣本的數(shù)量。

recall度量找到所有正樣本的能力，其計(jì)算式為

(5)

式中FN是實(shí)際為正樣本但被模型判定為負(fù)樣本的數(shù)量。

平均精準(zhǔn)度指標(biāo)(Average Precision，AP)綜合了精準(zhǔn)率和召回率的結(jié)果，用于評(píng)估模型在單個(gè)檢測(cè)類別上的表現(xiàn)。mAP(mean Average Precision)為各類別AP的平均值。

f1-score是precision和recall的調(diào)和平均值，其作用是對(duì)precision和recall進(jìn)行整體評(píng)價(jià)，其計(jì)算式為

(6)

totalBFLOPS描述網(wǎng)絡(luò)進(jìn)行卷積運(yùn)算時(shí)的計(jì)算量，通過(guò)統(tǒng)計(jì)多次卷積的計(jì)算量總和得到，表示模型的復(fù)雜度。

3.5 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)使用計(jì)算機(jī) CPU 為 i7-8750H，內(nèi)存為16GB，GPU 為 NVIDIA GeForce GTX2080Ti，在Ubuntu操作系統(tǒng)下對(duì)原始 YOLOv4 網(wǎng)絡(luò)和本文調(diào)整的 YOLOv4 網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練。學(xué)習(xí)率設(shè)置為0.001，batch size為64，衰減系數(shù)設(shè)置為0.0005，迭代10000次。選擇steps模式更新學(xué)習(xí)率，在訓(xùn)練迭代次數(shù)達(dá)到8000和9000 次時(shí)，將學(xué)習(xí)率分別降低至初始學(xué)習(xí)率的10%和1%。實(shí)驗(yàn)中測(cè)試集數(shù)量為500。A、B、C各組實(shí)驗(yàn)中訓(xùn)練集數(shù)量分別為500、1000、3000，數(shù)據(jù)增強(qiáng)后的訓(xùn)練集數(shù)量分別為1000、3000、9000。

3.6 實(shí)驗(yàn)結(jié)果與分析

本文設(shè)計(jì)3組共18個(gè)實(shí)驗(yàn)，分別驗(yàn)證訓(xùn)練集樣本數(shù)量、網(wǎng)絡(luò)輸入尺寸、模型深度等對(duì)網(wǎng)絡(luò)整體檢測(cè)效果的影響，實(shí)驗(yàn)結(jié)果如表1、表2、表3所示，其中模型名稱“YOLOv4-416o”代表網(wǎng)絡(luò)輸入尺寸為(416，416)且不使用數(shù)據(jù)增強(qiáng)的YOLOv4網(wǎng)絡(luò)；模型名稱“YOLOv4-416”代表網(wǎng)絡(luò)輸入尺寸為(416，416)的YOLOv4網(wǎng)絡(luò)；模型名稱“YOLOv4-608”代表網(wǎng)絡(luò)輸入尺寸為(608，608)的YOLOv4網(wǎng)絡(luò)；模型名稱“模型Ⅰ”、“模型Ⅱ”、“模型Ⅲ”代表網(wǎng)絡(luò)輸入尺寸為(608，608)的改進(jìn)YOLOv4網(wǎng)絡(luò)。

表1 A組實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)表

表2 B組實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)表

表3 C組實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)表

對(duì)比A、B、C三組實(shí)驗(yàn)中的YOLOv4-416o可知，隨著訓(xùn)練集數(shù)量不斷增多，mAP逐步提升，證實(shí)相同實(shí)驗(yàn)條件下訓(xùn)練樣本數(shù)量越多，檢測(cè)效果越好。

對(duì)比各組實(shí)驗(yàn)中YOLOv4-416o與YOLOv4-416的結(jié)果可見，采用樣本增強(qiáng)方法后，mAP有一定的提升，說(shuō)明樣本增強(qiáng)方法能夠提高訓(xùn)練的模型對(duì)缺陷形態(tài)的適應(yīng)性，進(jìn)而提升模型對(duì)未知缺陷的檢測(cè)精度。

對(duì)比各組實(shí)驗(yàn)中YOLOv4-416與YOLOv4-608的結(jié)果發(fā)現(xiàn)，采用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，將網(wǎng)絡(luò)的輸入尺寸調(diào)整到(608，608)時(shí)，mAP與recall都有一定的提升，但totalBFLOPS也上漲67.694；可見提高網(wǎng)絡(luò)的輸入尺寸對(duì)網(wǎng)絡(luò)檢測(cè)性能有一定的改善，原因是網(wǎng)絡(luò)輸入尺寸的提高影響網(wǎng)絡(luò)最后輸出的特征圖的尺寸，如416×416的訓(xùn)練網(wǎng)絡(luò)，輸出的最大特征圖尺寸是52×52，而608×608的訓(xùn)練網(wǎng)絡(luò)，輸出的最大特征圖尺寸是76×76；在目標(biāo)檢測(cè)過(guò)程中由于小目標(biāo)本身含有的像素點(diǎn)較少，在卷積過(guò)程中容易造成信息的丟失，而尺寸比較大的特征圖相對(duì)于小尺寸特征圖能夠更好地保留小目標(biāo)的特征信息，故雖然尺寸的增加會(huì)帶來(lái)計(jì)算量的增加，但特征圖尺寸越大對(duì)小目標(biāo)的檢測(cè)效果越好。

對(duì)比各組實(shí)驗(yàn)中的YOLOv4-608、模型Ⅰ、模型Ⅱ、模型Ⅲ的結(jié)果發(fā)現(xiàn)，隨著模型的簡(jiǎn)化，計(jì)算量大幅降低，而mAP僅有少量的損失；針對(duì)中小尺寸的目標(biāo)檢測(cè)可以通過(guò)裁剪頭部分支達(dá)到簡(jiǎn)化模型的目的，當(dāng)檢測(cè)目標(biāo)具有特征明顯、背景簡(jiǎn)單的特點(diǎn)時(shí)，并不需要十分復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)就能達(dá)到良好的檢測(cè)效果；recall與f1-score并沒(méi)有顯著的變化，說(shuō)明本文提出的模型調(diào)整方法對(duì)電子元器件表面缺陷具有較好的檢測(cè)效果。檢測(cè)實(shí)例效果如圖8所示。

圖8 各類缺陷檢測(cè)圖

實(shí)驗(yàn)過(guò)程中，在保證每個(gè)模型訓(xùn)練時(shí)batch size為64且迭代次數(shù)為10000的情況下，統(tǒng)計(jì)每個(gè)模型訓(xùn)練所消耗的平均時(shí)間，結(jié)果如表4所示。

表4 模型訓(xùn)練時(shí)間統(tǒng)計(jì)表

由表4可見，模型Ⅱ與模型Ⅲ相比于其他模型訓(xùn)練所消耗的平均時(shí)間節(jié)省60%以上，極大縮減模型訓(xùn)練所需要的時(shí)間成本。

4 結(jié)論

根據(jù)電子元器件數(shù)據(jù)集，提出基于改進(jìn)YOLOv4的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。根據(jù)實(shí)驗(yàn)數(shù)據(jù)集的聚類分析結(jié)果，將原YOLOv4算法中3個(gè)頭部分支裁剪為2個(gè)，縮減了網(wǎng)絡(luò)的模型參數(shù)；通過(guò)裁剪主干網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，降低了網(wǎng)絡(luò)的深度，提升了網(wǎng)絡(luò)模型訓(xùn)練速度和檢測(cè)速度；通過(guò)提高網(wǎng)絡(luò)模型訓(xùn)練與檢測(cè)時(shí)的網(wǎng)絡(luò)輸入尺寸提升了網(wǎng)絡(luò)模型對(duì)小目標(biāo)的檢測(cè)能力；通過(guò)設(shè)計(jì)樣本增強(qiáng)方法提升了模型的泛化能力，進(jìn)而提升了模型的實(shí)際檢測(cè)效果。

實(shí)驗(yàn)結(jié)果表明，使用本文提出的基于改進(jìn)YOLOv4的電子元器件表面缺陷檢測(cè)方法，能夠滿足工業(yè)生產(chǎn)中對(duì)模型檢測(cè)精度、模型訓(xùn)練速度和模型檢測(cè)速度的需求。