摘要：印刷電路板（printed circuit board， PCB）是電子產(chǎn)品的關(guān)鍵部件。在實(shí)際生產(chǎn)過(guò)程中，PCB難免會(huì)產(chǎn)生多種缺陷，對(duì)缺陷進(jìn)行及時(shí)、精準(zhǔn)檢測(cè)具有一定的研究意義與應(yīng)用價(jià)值。傳統(tǒng)的檢測(cè)方法存在速度慢、成本高、精度低的問(wèn)題。針對(duì)PCB缺陷檢測(cè)問(wèn)題，開(kāi)展基于YOLO系列算法研究，在相同的實(shí)驗(yàn)環(huán)境下，以平均精度、精確率、召回率、每秒傳輸幀數(shù)作為評(píng)價(jià)性能指標(biāo)。實(shí)驗(yàn)研究發(fā)現(xiàn)，YOLOv7在精度方面比YOLOv5有一定的提升，而YOLOv5在訓(xùn)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(jī)制模塊的YOLOv5改進(jìn)算法用于PCB缺陷檢測(cè)。經(jīng)實(shí)驗(yàn)驗(yàn)證，改進(jìn)算法在PCB缺陷檢測(cè)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(guān)鍵詞：PCB缺陷檢測(cè); 深度學(xué)習(xí); YOLOv5; CBAM注意力機(jī)制

中圖分類(lèi)號(hào)：O343.1;O341文獻(xiàn)標(biāo)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(xiàn)如今人工智能技術(shù)、大數(shù)據(jù)技術(shù)、云技術(shù)、物聯(lián)網(wǎng)、5G應(yīng)用于工業(yè)生產(chǎn)，機(jī)械巡檢等前沿產(chǎn)業(yè)迅速發(fā)展［1］，人們不僅對(duì)電子產(chǎn)品的需求量逐漸增大，而且對(duì)其質(zhì)量的要求也不斷提升。印刷電路板（printed circuit board，PCB）是電子制造業(yè)的重要部件之一，也是電子產(chǎn)品不可或缺的組成部分。PCB往往由數(shù)十個(gè)甚至成百上千個(gè)元件組成，一旦某個(gè)焊點(diǎn)出現(xiàn)問(wèn)題，便會(huì)影響整個(gè)電路板的功能［2］。如何快速、高效地檢測(cè)焊點(diǎn)的連接故障已經(jīng)成為生產(chǎn)企業(yè)必須高度重視的問(wèn)題［34］。本文開(kāi)展了基于深度學(xué)習(xí)的YOLO（you only look once）系列算法在PCB缺陷檢測(cè)的應(yīng)用研究。

1PCB缺陷檢測(cè)技術(shù)

PCB的6種常見(jiàn)缺陷類(lèi)型［5］示例如圖1所示。在PCB缺陷檢測(cè)領(lǐng)域，自動(dòng)檢測(cè)算法逐漸代替人工檢測(cè)。自動(dòng)檢測(cè)算法大致可以分為參照對(duì)比法、無(wú)參照對(duì)比法和混合算法。傳統(tǒng)的缺陷檢測(cè)方法數(shù)據(jù)處理能力有限［6］，而深度學(xué)習(xí)利用大數(shù)據(jù)自主學(xué)習(xí)和自動(dòng)提取特征，和Onestage算法一樣是深度學(xué)習(xí)常用的目標(biāo)檢測(cè)算法。Twostage算法生成邊界框，對(duì)框中的內(nèi)容進(jìn)行分析識(shí)別，進(jìn)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(jì)算成本較低、速度較快，代表算法是YOLO，其通過(guò)卷積神經(jīng)網(wǎng)絡(luò)從圖片中獲得位置信息。本文將對(duì)YOLOv5進(jìn)行改進(jìn)，從而更好地檢測(cè)PCB缺陷。

2基于改進(jìn)YOLOv5的PCB缺陷檢測(cè)

2.1YOLOv5的基本原理

YOLOv5算法整體結(jié)構(gòu)和YOLOv4相似，進(jìn)行了部分優(yōu)化［7］，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。YOLOv5使用了自適應(yīng)錨框計(jì)算，直接將此功能寫(xiě)入了代碼之中，當(dāng)訓(xùn)練不同的數(shù)據(jù)集時(shí)，可以自主適應(yīng)并生成最優(yōu)的錨框。YOLOv5算法使用的Focus結(jié)構(gòu)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(gè)低分辨率的特征圖。在YOLOv5中，Backbone網(wǎng)絡(luò)和Neck網(wǎng)絡(luò)均采用了跨階段部分（crossstagepartial，CSP）結(jié)構(gòu)。CSP可以提高卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，同時(shí)減少計(jì)算復(fù)雜度［8］。

2.2CBAM注意力機(jī)制

CBAM（convolutional block attontion module）是一種適用于前饋卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)模塊［9］，可以集成到任何卷積神經(jīng)網(wǎng)絡(luò)中。該模塊包含2個(gè)部分：通道注意力模塊和空間注意力模塊［10］。通過(guò)這2個(gè)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(shí)現(xiàn)自適應(yīng)調(diào)整。

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

通道注意力機(jī)制模塊［11］首先對(duì)輸入特征圖F進(jìn)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(gè)全連接層，使用Relu作為激活函數(shù)，將這2個(gè)全連接層的輸出相加并經(jīng)過(guò)sigmoid激活函數(shù)，生成通道注意力機(jī)制特征圖MC。

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

空間注意力機(jī)制模塊［12］將MC與F相乘，得到特征圖F′，然后對(duì)F′進(jìn)行全局最大池化和全局平均池化的下采樣操作，得到2個(gè)特征圖并將其拼接，進(jìn)行卷積操作，將通道數(shù)降至1。最后，經(jīng)過(guò)激活函數(shù)sigmoid，生成空間注意力機(jī)制特征圖MS。

2.3基于CBAMYOLOv5的PCB缺陷檢測(cè)

YOLOv5算法的網(wǎng)絡(luò)結(jié)構(gòu)由輸入端、Backbone、Neck、輸出端組成。輸入端使用了Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放；Backbone采用了New CSPDarknet53網(wǎng)絡(luò)，增加了Focus結(jié)構(gòu)并改進(jìn)了CSP結(jié)構(gòu)；在Neck部分采用了FPN+PAN結(jié)構(gòu)；輸出端采用CIOU_LOSS 作為bounding box 的損失函數(shù)，增加了NMS非極大值抑制。

為了進(jìn)一步提升網(wǎng)絡(luò)性能，本文在YOLOv5的基礎(chǔ)上融合了CBAM模塊，進(jìn)行端到端的訓(xùn)練。在YOLOv5中，Backbone骨干網(wǎng)絡(luò)是提取圖像特征的網(wǎng)絡(luò)，本文將CBAM注意力機(jī)制融合在YOLOv5的Backbone中。增加CBAM注意力機(jī)制后，Backbone網(wǎng)絡(luò)的處理流程為先對(duì)特征圖進(jìn)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(chǔ)上融合CBAM模塊，提取更有效的信息，然后再進(jìn)行卷積和上采樣操作［13］，用于下次的特征圖融合。

2.3.1訓(xùn)練集與測(cè)試集數(shù)據(jù)劃分

本文數(shù)據(jù)集來(lái)自北京大學(xué)智能機(jī)器人開(kāi)放實(shí)驗(yàn)室公開(kāi)的PCB數(shù)據(jù)集，選取了518張PCB圖片，按照8∶2的比例進(jìn)行隨機(jī)分配訓(xùn)練集與測(cè)試集，具體分配情況見(jiàn)表1。

2.3.2模型評(píng)估指標(biāo)

在目標(biāo)檢測(cè)中，通常將樣本根據(jù)其真實(shí)結(jié)果和模型的預(yù)測(cè)結(jié)果劃分為真陽(yáng)性（true positive，TP）、真陰性（true negative，TN）、假陽(yáng)性（1 positive，F(xiàn)P）、假陰性（1 negative，F(xiàn)N），評(píng)價(jià)指標(biāo)主要有精確率、召回率、平均精度均值和每秒傳輸幀數(shù)等。

1）精確率（precision）

精確率是針對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，預(yù)測(cè)正確的正樣本個(gè)數(shù)與預(yù)測(cè)為正樣本的樣本個(gè)數(shù)之比，表達(dá)式如式（1）所示。

precision=TP/TP+FP （1）

2）召回率（recall）

從真實(shí)結(jié)果考慮，召回率是在所有真實(shí)目標(biāo)中真實(shí)正樣本被召回的個(gè)數(shù)，表達(dá)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(cè)效果的指標(biāo)，是precision和recall圍成的曲線面積，表達(dá)式如式（3）所示。其中：AP是平均精確度，C是數(shù)據(jù)集類(lèi)別個(gè)數(shù)。

mAP=ΣAP/C （3）

4）每秒傳輸幀數(shù)（frames per second，F(xiàn)PS）

FPS是目標(biāo)網(wǎng)絡(luò)每秒處理圖片幀數(shù)［14］，用來(lái)評(píng)估算法對(duì)目標(biāo)檢測(cè)的速度。

2.3.3網(wǎng)絡(luò)模型訓(xùn)練

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，需要對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)參優(yōu)化。本文輸入圖像大小為3034×1586，通過(guò)對(duì)比不同batch size的訓(xùn)練效果，最后設(shè)置batch size=8；本文設(shè)置權(quán)重衰減0.0005，較小的權(quán)值降低了網(wǎng)絡(luò)的復(fù)雜度，可以有效避免模型過(guò)擬合；學(xué)習(xí)率對(duì)模型性能有較大影響，本文設(shè)置學(xué)習(xí)率為0.01；epoch設(shè)置過(guò)大，在工業(yè)中會(huì)產(chǎn)生不必要的資源浪費(fèi)，epoch設(shè)置過(guò)小，會(huì)導(dǎo)致網(wǎng)絡(luò)不夠收斂，訓(xùn)練效果達(dá)不到預(yù)期。本文在經(jīng)過(guò)多次對(duì)比訓(xùn)練后發(fā)現(xiàn)，當(dāng)epoch=100時(shí)，網(wǎng)絡(luò)開(kāi)始收斂，為了達(dá)到更好的訓(xùn)練效果，本文設(shè)置epoch=300。

3實(shí)驗(yàn)結(jié)果和分析

本文在如表2所示的實(shí)驗(yàn)環(huán)境中對(duì)測(cè)試集數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，檢測(cè)結(jié)果示例如圖3所示。

對(duì)測(cè)試數(shù)據(jù)集進(jìn)行PCB缺陷檢測(cè)，并分別對(duì)實(shí)驗(yàn)的性能指標(biāo)進(jìn)行分析。

1）mAP

本文提出的CBAMYOLOv5的PCB缺陷檢測(cè)PR_curve如圖4所示。

由圖4可以看出，在基于CBAMYOLOv5的PCB缺陷檢測(cè)中，缺孔、鼠咬、開(kāi)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(lèi)別綜合的mAP為0.957。

2）precision，pecall

將訓(xùn)練過(guò)程中的precision和recall指標(biāo)可視化，實(shí)驗(yàn)結(jié)果如圖5所示。

由圖5得出，當(dāng)epoch=300網(wǎng)絡(luò)收斂時(shí)，precision為97.32，recall為95.22。

3）每秒傳輸幀數(shù)

本文提出的CBAMYOLOv5算法的單張圖片平均測(cè)試時(shí)間為0.283s，其倒數(shù)為FPS，值為3.536。

將改進(jìn)后的基于CBAMYOLOv5算法與YOLOv3，YOLOv5，YOLOv7進(jìn)行對(duì)比，各性能指標(biāo)見(jiàn)表3。

由表3可以看出，在相同實(shí)驗(yàn)環(huán)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(yīng)的增加了一定的計(jì)算量，F(xiàn)PS下降0.597，但是下降量相較于YOLOv5算法幾乎沒(méi)有差別。通過(guò)對(duì)以上性能指標(biāo)的綜合分析可以得出，改進(jìn)的基于CBAMYOLOv5的PCB缺陷檢測(cè)算法優(yōu)于原始的YOLOv5缺陷檢測(cè)算法。

4結(jié)語(yǔ)

本文開(kāi)展了基于深度學(xué)習(xí)YOLO算法的PCB缺陷檢測(cè)實(shí)驗(yàn)研究。選取了數(shù)據(jù)集中的518張PCB圖片，按照8∶2的比例進(jìn)行隨機(jī)分配訓(xùn)練集與測(cè)試集，在相同的實(shí)驗(yàn)環(huán)境下，對(duì)YOLOv5算法和YOLOv3，YOLOv7進(jìn)行訓(xùn)練對(duì)比，將得到的mAP，precision，recall，F(xiàn)PS等性能指標(biāo)進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，YOLOv7在效率和精度上都比YOLOv5有相應(yīng)的提高，但YOLOv5在訓(xùn)練和推理速度上比YOLOv7快，因而基于YOLOv5的 PCB缺陷檢測(cè)具有良好的檢測(cè)效果。為了進(jìn)一步提升YOLOv5算法的性能，通過(guò)融合CBAM注意力機(jī)制模塊對(duì)YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，并通過(guò)實(shí)驗(yàn)驗(yàn)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(cè)精度，減少了圖像損失度，能快速準(zhǔn)確檢測(cè)PCB缺陷。

致謝感謝醫(yī)學(xué)影像教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題、沈陽(yáng)師范大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃資助項(xiàng)目（X202310166190）的支持。

參考文獻(xiàn)：

［1］KRAJCINOVIC D，F(xiàn)ONSEKA 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(quán)，等.基于深度學(xué)習(xí)的PCB缺陷檢測(cè)方法［J］.電子產(chǎn)品可靠性與環(huán)境試驗(yàn)，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(cè)系統(tǒng)［J］.自動(dòng)化技術(shù)與應(yīng)用，2023，42（3）：129133.

［3］郝建新.PCB板紅外故障檢測(cè)系統(tǒng)中多模態(tài)圖像配準(zhǔn)研究［D］.天津：中國(guó)民航大學(xué)，2014.

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

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

［6］李洋.基于深度學(xué)習(xí)的PCB缺陷檢測(cè)研究與實(shí)現(xiàn)［D］.呼和浩特：內(nèi)蒙古大學(xué)，2022.

［7］蘇海東，張武，任銘然，等.基于改進(jìn)YOLOv5的自校準(zhǔn)卷積模塊目標(biāo)檢測(cè)算法［J］.汽車(chē)實(shí)用技術(shù)，2023，48（14）：4348.

［8］李發(fā)伯，劉猛，景曉琦.基于嵌入式平臺(tái)的安全帽實(shí)時(shí)檢測(cè)方法［J］.沈陽(yáng)理工大學(xué)學(xué)報(bào)，2022，41（6）：612.

［9］龐寧雅，杜安鈺.基于YOLOv5s_Attention的表面缺陷檢測(cè)的應(yīng)用研究［J］.現(xiàn)代電子技術(shù)，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(xué)習(xí)的黃丘區(qū)正負(fù)地形分割［J］.水土保持研究［J］，2023，30（5）：2130.

［13］任維民，鐘國(guó)韻，朱偉東，等.基于改進(jìn)YOLOv5的行人檢測(cè)算法［J］.計(jì)算機(jī)與數(shù)字工程，2022，50（11）：24042410.

［14］歐陽(yáng)家斌，胡維平，侯會(huì)達(dá).基于深度學(xué)習(xí)的電路面板元件檢測(cè)研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2023，40（5）：119123.

【責(zé)任編輯：封文江】