摘 要：為解決ＰＣＢ 缺陷檢測存在精度低、檢測效果差的問題，提出一種基于ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ 的ＰＣＢ 缺陷檢測算法。利用Ｋｍｅａｎｓ＋＋對錨框進行重新聚類，通過添加淺層尺度信息來豐富小目標數據，提高深層和淺層語義信息的融合能力；將損失函數修改為ＳＩｏＵ，即引入角度損失來計算距離損失，以加快網絡收斂速度，使回歸參數更加準確；通過結合輕量化注意力機制ＳｉｍＡＭ 為網絡提供三維的注意力權重，過濾掉冗余信息，改善模型的準確性和魯棒性。實驗結果表明，改進后ＹＯＬＯｖ５ｓ算法的模型大小為２７． ７ ＭＢ，檢測的平均精度均值為９８． ３９％ ，比原網絡提高了４． ４４％ ，有效提升了ＰＣＢ 缺陷檢測的精度。

關鍵詞：ＰＣＢ 缺陷檢測；ＳｉｍＡＭ；ＳＩｏＵ；ＹＯＬＯｖ５ｓ

中圖分類號：ＴＰ３９１． ４１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０５－１１３６－１０

０ 引言

ＰＣＢ 被廣泛應用于線路密集和電子元器件繁多的集成電路中，其產品質量與電子設備的性能、應用周期以及使用人員的生命安全直接掛鉤。盡管當今制造業(yè)發(fā)展水平很高，但ＰＣＢ 在生產過程中仍會產生不同類型的缺陷從而影響集成電路的生產制造。為此，加強對ＰＣＢ 產品質量的檢測對現(xiàn)代工業(yè)生產而言具有重要意義。

在ＰＣＢ 制造領域，早期行業(yè)通過人工目視來檢測缺陷［１］，該方法檢測精度受檢測人員的精力影響，具有不確定性。中期由于電子設備的發(fā)展，研究人員逐漸開始采用電氣檢測［２］和自動光學檢測［３］等方法來代替人工檢測，但由于技術的限制，機器設備存在故障和調試困難等狀況，調試依賴專業(yè)人員，使得該技術的推廣具有一定難度。后期隨著計算機算力的提升，深度學習技術得到快速發(fā)展，利用深度學習方法自動檢測缺陷產品在行業(yè)內得到廣泛應用［４］。

當今，利用深度學習技術對缺陷目標進行檢測的算法一般分為２ 類：雙階段檢測器和單階段檢測器。雙階段檢測器以Ｒ-ＣＮＮ［５］和Ｆａｓｔｅｒ Ｒ-ＣＮＮ［６］等高精度檢測算法為代表。例如，陳仁祥等［７］提出了一種具有多重注意力的Ｆａｓｔｅｒ Ｒ-ＣＮＮ，用于檢測復雜場景中存在干擾等問題的ＰＣＢ 缺陷，使網絡自動聚焦于缺陷區(qū)域并有效抑制噪聲，得到９２． ４％ 的平均精度均值（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ），驗證了該方法精確度的可行性；Ｈｕ 等［８］改進了用于檢測ＰＣＢ 表面缺陷的Ｆａｓｔｅｒ Ｒ-ＣＮＮ 網絡，以提高網絡速度，改進后網絡的ｍＡＰ 和速度分別為９４． ２％ 和０． ０８ ｓ／ 圖像，即每秒檢測圖像幀數（Ｆｒａｍｅｓ Ｐｅｒ Ｓｅｃｏｎｄ，ＦＰＳ）為１２． ５。單階段檢測器主要采用ＹＯＬＯ［９］和ＳＳＤ［１０］等檢測算法，例如，楊杰等［１１］將ＹＯＬＯｖ３ 作為ＰＣＢ 缺陷檢測的框架，使用密集連接網絡修改主干，并利用ＧＩｏＵ 損失函數優(yōu)化回歸問題，修改后網絡ｍＡＰ 為８４％ ，網絡ＦＰＳ 為４５；Ｓｈａｏ 等［１２］引入輕量化主干網絡修改ＹＯＬＯｖ３ 框架，改進后網絡的ｍＡＰ 和ＦＰＳ 分別為９０％ 和９９． １；Ｗａｎｇ 等［１３］提出將ＹＯＬＯｖ５ 與ＢｉＦＰＮ 相結合用于ＰＣＢ 的缺陷檢測，改進后網絡的ｍＡＰ 為９７． ９％ ；Ｋａｎｇ 等［１４］使用ＲｅｓＮｅｔ５０ 替代ＳＳＤ 中ＶＧＧ網絡，并通過數據增強等操作增加目標數量以此提高檢測精度，改進后網絡檢測性能ｍＡＰ 達９５． ９１％ 。與雙階段算法相比，ＹＯＬＯ 等單階段算法不需要獨立于卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）之外的模塊來單獨生成候選框［１５］，它將模型檢測問題簡化為回歸問題［１６］，通過回歸參數直接生成類別的邊界框信息和概率［１７］，加快了缺陷目標檢測的速度，因此本文選定單階段檢測算法ＹＯＬＯｖ５ 為基礎檢測框架。

雖然上述研究方法在不同程度上分別提高了模型檢測精度或檢測速度，但在面對ＰＣＢ 缺陷檢測高精度的需求時仍具備改進空間。由于ＰＣＢ 缺陷目標的尺寸較小，過低的缺陷像素使得模型對缺陷目標的特征提取過程更加困難，而且ＰＣＢ 缺陷檢測精度在一定程度上還受限于缺陷外觀與背景外觀的相似干擾。

為解決上述問題，本文提出改進的ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ 小目標檢測算法加強精度，針對特征融合與提取、損失函數和注意力機制等方面進行了修改，一定程度上提升了模型精度。此網絡主要貢獻如下：

① 從ＹＯＬＯｖ５ 對ＰＣＢ 檢測的缺點出發(fā)，提出增加淺層高分辨率圖像擴展加強特征提取網絡的輸入，從而增加小目標的數量來降低低像素缺陷的影響；通過使用Ｋｍｅａｎｓ＋＋重新聚類錨框來修改初始錨框的參數，改善網絡對小尺度目標檢測的敏感性；

② 修改回歸損失函數為ＳＩｏＵ；

③ 在主干網絡中添加ＳｉｍＡＭ 注意力機制，將注意力權重擴展至三維層面，在不增加額外參數的條件下提高網絡對復雜背景特征提取的能力，增強抗干擾效果。

１ ＹＯＬＯｖ５ｓ 算法

近年來，ＹＯＬＯ 系列目標檢測算法不斷更新，ＹＯＬＯｖ５ 的設計在精度、召回率和平均精度（ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ，ＡＰ）等方面都達到了最佳性能［１８－１９］。其中ＹＯＬＯｖ５ｓ 由輸入層、主干網絡、頸部網絡和輸出檢測層四部分組成，該模型的結構如圖１ 所示。圖中輸入層包含數據增強、自適應錨框和圖片縮放等數據預處理操作，該部分操作可以豐富數據，解決圖像樣本和尺寸不均衡的問題，提高網絡對目標的檢測能力；主干網絡是ＣＮＮ 結構，主要通過切片、卷積、ＣＳＰ 和空間金字塔池化（Ｓｐａｔｉａｌ ＰｙｒａｍｉｄＰｏｏｌｉｎｇ，ＳＰＰ）等模塊的不斷堆疊來深化網絡結構，實現(xiàn)對目標特征的提取；頸部網絡代表一系列網絡層的融合，目的是實現(xiàn)從上到下和從下到上的特征收集，豐富網絡特征信息，并將處理結果反饋到輸出層；輸出層通過分類器獲得目標類別并計算置信度損失和類別損失，同時根據邊界框的坐標利用回歸損失計算生成預測框，實現(xiàn)對目標的分類與識別。

２ ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ 算法

原始的ＹＯＬＯｖ５ｓ 網絡已經具備較強的目標檢測能力，但在面對ＰＣＢ 此類微小缺陷檢測任務時仍有不足之處。在ＹＯＬＯｖ５ｓ 中輸出采用三尺度模型，其中最淺層尺度為８０×８０，對應于８ ×８ 的感受野大小，這表示此層特征圖像素和原始圖像對應區(qū)域大小的映射關系。而８ ×８ 大小的感受野在微小缺陷定位過程中存在提細輪廓信息不足的情況，故通過添加４×４ 大小的感受野來獲取更微小的特征信息。本文通過添加１６０×１６０ 尺度構成四尺度輸出模型，在保留語義信息的情況下豐富加強特征提取網絡輸入的空間信息。此外由于淺層尺度的加入，在網絡預測回歸損失時需要添加一組錨框數據，故本文利用Ｋｍｅａｎｓ＋＋算法將原始９ 個錨框擴展至１２ 個，此舉措有利于防止訓練過程中目標區(qū)域信息丟失，致使錯檢率和漏檢率增加的情況發(fā)生。為進一步提高主干網絡對背景信息的抗干擾能力，增強網絡的性能，特提出在網絡最深處添加無參注意力機制Ｓｉ-ｍＡＭ，改善網絡的檢測性能，最后為提高網絡收斂速度與檢測準確度，本文將原始損失函數ＧＩｏＵ 修改為了ＳＩｏＵ。ＳＩｏＵ 損失函數除了考慮形狀損失和距離損失外還額外增加角度損失，有效解決了ＧＩｏＵ在面對處于包含關系的預測框和真實框時，無法準確辨別預測框位置的問題。改進后的模型結構如圖２ 所示，圖中白色模塊為改進措施。

２． １ 四尺度融合與錨框聚類

２． １． １ 四尺度融合

研究發(fā)現(xiàn)深層和淺層特征圖對應的特征具有互斥特性。淺層感受野小，但其語義信息弱于空間信息，不利于缺陷分類；深層感受野較大，不斷下采樣的同時豐富了語義信息也削弱了空間信息。不同尺度的特征在面對不同大小的目標檢測時具有不同的效果，深層尺度較大的感受野使其在檢測大目標時表現(xiàn)良好，而淺層尺度較小的感受野則為其在檢測小目標時提供便利。為了充分融合淺層語義信息與深層空間信息，提高網絡對缺陷小目標的識別分類能力，本文提出一種四尺度融合檢測結構，即通過不減少原始模型深度的情況下引出淺層１６０ ×１６０ 尺度信息，豐富頸部網絡中小目標數量。

２． １． ２ Ｋｍｅａｎｓ＋＋聚類算法

網絡尺度的改變必然需要重新對檢測錨框進行聚類，ＹＯＬＯｖ５ｓ 初始錨框的設定有９ 個分別包含大、中、小３ 種目標尺寸，其中本文數據集的ＰＣＢ 缺陷目標寬高比如圖３ 所示。從圖３ 可以看出ＰＣＢ缺陷目標尺寸較小，缺陷目標的寬度和高度都小于原始圖像寬高的０． １ 倍以下，大部分都分布在其０． ０７ 倍以內，以小目標居多。為了使網絡模型更加適用于小目標數據分布和四尺度模型檢測，對初始錨框使用Ｋｍｅａｎ＋＋聚類算法重新聚類。

傳統(tǒng)的Ｋｍｅａｎｓ 聚類算法雖然實現(xiàn)原理簡單、實現(xiàn)效果明顯，但聚類效果受聚類中心的初始化影響，容易陷入局部最優(yōu)。據此，本文采用Ｋｍｅａｎｓ＋＋聚類算法。聚類結果如圖４ 所示。

Ｋｍｅａｎｓ＋＋在初始化聚類中心時基本保持使聚類中心之間距離盡可能遠的原則。使得各聚類中心之間相距甚遠，避免了由聚類中心帶來的局部最優(yōu)問題。聚類的１２ 個錨框如表１ 所示。

２． ２ 損失函數ＳＩｏＵ

ＹＯＬＯｖ５ｓ 邊界框的回歸損失計算起初采用ＧＩｏＵ 方法，此方法主要依據ＩｏＵ 損失計算，根據預測框和真實框之間的重疊面積來表示２ 框之間距離的大小，從而進行回歸運算。只考慮重疊面積這單一因素導致ＧＩｏＵ 在面對預測框和真實框處于包含關系時，無法準確辨別預測框位置，據此本文使用ＳＩｏＵ 損失函數來替換ＧＩｏＵ。ＳＩｏＵ 損失函數由角度損失（式（１ ））、距離損失（式（２ ））、形狀損失（式（３））和ＩｏＵ 損失共同構成，最終ＳＩｏＵ 損失函數如式（４）所示。

ＳＩｏＵ 角度損失Λ 計算如圖５ 所示。計算過程中考慮α 和β 角度關系，即真實框和預測框與Ｘ 軸或Ｙ 軸之間角度更小者（即α 和β 中較小的一方）用來參與角度損失計算，其中式（１）中ｘ 表示角度較小者的正弦值。

距離損失計算如圖６ 所示。距離損失Δ 根據真實框和預測框組成的最小外接矩形，利用參數γ ＝ ２－Λ 來建立與角度損失Λ 的聯(lián)系，加速距離損失的收斂，其中式（２）中ρｔ 表示真實框和預測框中心點坐標差值，與最小外接矩形寬高的比例平方值。

形狀損失Ω 通過參數θ 來控制預測框的移動，當θ ＝ ４ 時可以使預測框更好地向真實框移動，其中式（３）中ωｔ 表示真實框和預測框在寬度和高度方向的差值，與其對應方向上最大值的比值。

ＳＩｏＵ 不僅考慮了重疊面積，還進一步考慮了２ 框之間中心點的距離以及長寬比的影響，同時與之前所有的回歸損失相比較，ＳＩｏＵ 最大的不同之處在于增加了角度方向的考量指標，通過角度損失涵蓋了預測框和真實框不匹配的情況，使得網絡在收斂過程中更加快速。

２． ３ ＳｉｍＡＭ 注意力機制

對于待檢測目標和背景環(huán)境相似的ＰＣＢ 缺陷檢測任務，研究發(fā)現(xiàn)在主干網絡中添加注意力機制可以有效地剔除不相關信息的干擾。為了提高模型的精度，本研究使用了一種三維無參注意力機制———ＳｉｍＡＭ［２０］。該注意力機制的作用原理是通過能量函數來實現(xiàn)的，而能量函數的定義與神經科學領域中的空域抑制現(xiàn)象有關［２１］，即活躍的神經元會抑制周圍信息匱乏神經元的表現(xiàn)能力。因此，神經元的重要程度可通過能量函數來表達。能量函數的表達如下：

式中：ｔ＾ ＝ ｗｔ ｔ＋ｂｔ 和ｘ＾ｉ ＝ ｗｔ ｘｉ ＋ｂｔ 表示輸入特征圖中同一通道中目標神經元ｔ 和其他神經元ｘｉ 的線性變換，Ｍ 表示神經元個數。為了簡化操作，對標量ｙｔ和ｙ０ 采用二進制標簽，并通過添加正則項λ 來重新整合能量公式得：

式（８）表明，目標神經元和周圍神經元之間的區(qū)別度與能量值成反比，與重要性成正比，即區(qū)別度越大，神經元的重要性越高，其能量越小。根據注意力機制的定義，使用Ｓｉｇｍｏｉｄ 函數對特征進行增強處理，抑制Ｅ 中能量過大的值，Ｅ 指所有空間和通道維度中最小能量的總和，Ｘ 為輸入特征。最終得到的ＳｉｍＡＭ 公式如式（９）所示，ＳｉｍＡＭ 注意力機制結構如圖７ 所示。

實驗將ＳｉｍＡＭ 放置在主干特征提取網絡的最深層，可在不增加額外參數的情況下，通過對空間位置特征和通道信息的全面評估，來對重點神經元進行特別關注，最終實現(xiàn)在改善網絡特征提取能力的同時加快網絡訓練速度。

３ 實驗與結果分析

３． １ 實驗配置與模型訓練

本實驗平臺的處理器是Ｉｎｔｅｌ （Ｒ）Ｃｏｒｅ （ＴＭ）ｉ５-８４００ ＣＰＵ ＠ ２． ８０ ＧＨｚ ２． ８１ ＧＨｚ，并基于ＮＶＩＤＩＡＧｅＦｏｒｃｅ ＲＴＸ ３０９０ 圖形處理器進行加速運算，深度學習框架為Ｐｙｔｏｒｃｈ。

在訓練過程中，輸入圖像的尺寸設置為６４０ ｐｉｘｅｌ×６４０ ｐｉｘｅｌ，訓練集和測試集的劃分比例為９ ∶ １。訓練迭代次數為２００，批次大小依據實驗平臺設置為１６，優(yōu)化器采用隨機梯度下降算法進行參數優(yōu)化，權重更新比例在前１００ 次迭代過程中設置為０． ００１，１００ 次迭代后為０． ０００ １。

３． ２ 數據集

本文缺陷數據集來源于北京大學智能機器人開放實驗室，包含６ 類缺陷圖像：缺孔（ｍｉｓｓｉｎｇ＿ｈｏｌｅ）、余銅（ｓｐｕｒｉｏｕｓ＿ｃｏｐｐｅｒ）、短路（ｓｈｏｒｔ）、鼠咬（ｍｏｕｓｅ ＿ｂｉｔｅ）、開路（ｏｐｅｎ＿ｃｉｒｃｕｉｔ）和毛刺（ｓｐｕｒ），共計６９３ 張，圖８ 為ＰＣＢ 六類缺陷的示意圖。

為了解決初始數據集樣本過少的問題，本文通過數據增強（旋轉、鏡像等操作）來擴增數據集，擴增后數據集達到７ ４２６ 張，有效解決了訓練樣本過少的情況。擴增后６ 種缺陷在數據集中的詳細劃分如表２ 所示。

３． ３ 評價指標

本實驗采用召回率（Ｒｅｃａｌｌ）、精準率（Ｐｒｅｃｉｓｉｏｎ）、ｍＡＰ、參數量、模型大小、ＧＦＬＯＰｓ 和ＦＰＳ 來評價改進模型對ＰＣＢ 缺陷檢測的性能是否具有優(yōu)越性。

參數ＴＰ、ＦＰ、ＦＮ、ｒ、Ｐｉ（ｒ）和ｍ 的含義詳解如表３ 所示。

其中，Ｐｒｅｃｉｓｉｏｎ 和ＡＰ 會在計算過程中涉及，一般Ｒｅｃａｌｌ 表示模型漏檢率的大小，ｍＡＰ 的數值與模型的檢測精度好壞成正比趨勢，參數量和模型大小的含義基本相同，均表示模型含有多少參數，ＧＦＬＯＰｓ 用以表示計算速度，即以１０ 億為單位的一個計量單位。

３． ４ 結果分析

３． ４． １ 消融實驗與分析

通過設計６ 組消融實驗來分別評估使用Ｋｍｅａｎｓ＋ ＋ 重新聚類錨框、添加淺層尺度、ＳＩｏＵ 和ＳｉｍＡＭ 注意力機制模塊對ＹＯＬＯｖ５ｓ 的改進效果，實驗結果如表４ 所示。由表４ 數據可知，Ｋｍｅａｎｓ＋＋算法重新聚類可使模型整體ｍＡＰ 比ＹＯＬＯｖ５ｓ 提高３． ３％ ，ｍＲｅｃａｌｌ 提升６． ８１％ ，驗證了ＹＯＬＯｖ５ｓ 初始錨框不適用于小目標檢測的問題；通過添加淺層尺度這一舉措得到的ｍＡＰ 為９７． ７１％ ，ｍＲｅｃａｌｌ 為９５． ８１％ ，整體數據在前一組實驗的基礎上分別提升了０． ４６％ 和１． ３％ ；接著修改損失函數ＳＩｏＵ，數據表明，毛刺類缺陷ＡＰ 值提升效果明顯，數據漲幅為１． ３４％ ，該組整體ｍＡＰ 達到９８． ２１％ ，ｍＲｅｃａｌｌ 為９６． １０％ ，相比較前一組數據分別提升了０． ５％ 和０． ２９％ ；當在主干網絡中添加ＳｉｍＡＭ 注意力機制而不修改損失函數時，ｍＡＰ 和ｍＲｅｃａｌｌ 分別為９８． １７％ 和９６． ２７％ ，相比較ＹＯＬＯｖ５ｓ＋１６０ ×１６０ 淺層尺度＋Ｋｍｅａｎｓ＋＋組數據而言，模型整體性能有所提高，證明此改進措施有效；本文提出的ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ 算法通過將ＳＩｏＵ 和ＳｉｍＡＭ 進行融合，融合后網絡ｍＡＰ 和ｍＲｅｃａｌｌ 分別為９８． ３９％ 和９６． ６４％ ，相較于單獨使用ＳＩｏＵ 模塊的ｍＡＰ 和ｍＲｅｃａｌｌ 分別提升了０． １８％ 和０． ５４％ ，單獨使用ＳｉｍＡＭ 模塊的ｍＡＰ和ｍＲｅｃａｌｌ 分別提升了０． ２２％ 和０． ３７％ 。由此可知，所有模塊融合后網絡整體性能優(yōu)于之前單個模塊組合的情況，驗證了３ 種改進策略在ＰＣＢ 缺陷檢測方面具有一定的有效性。

３． ４． ２ 對比實驗與分析

為了驗證本文所使用的注意力機制的優(yōu)越性，設計第一組對比實驗，以消融實驗ＹＯＬＯｖ５ｓ＋１６０ ×１６０ 淺層尺度＋ＳＩｏＵ＋Ｋｍｅａｎｓ＋＋為基礎，分別添加主流注意力機制ＥＣＡ、ＳＥ、ＣＢＡＭ、ＣＡ 和ＳｉｍＡＭ，在保證其他參數不變的情況下，實驗結果如表５ 所示。根據表５ 數據可知，相較于添加ＥＣＡ、ＳＥ、ＣＢＡＭ、ＣＡ 注意力機制后，ＳｉｍＡＭ 注意力機制的參數量和ＧＦＬＯＰｓ 與基礎實驗對比并未增加；在添加５ 種注意力機制后，ＳｉｍＡＭ 在ｍＡＰ 與ｍＲｅｃａｌｌ 方面優(yōu)于其他４ 種注意力機制。針對本文所研究對象而言，ＳｉｍＡＭ 在不額外增加網絡參數的情況下，提高了缺陷檢測的ｍＡＰ 與ｍＲｅｃａｌｌ，具有更優(yōu)的性價比。

為了驗證本文算法是否具有良好的性能，將其與ＳＳＤ、ＹＯＬＯｖ４、ＹＯＬＯｖ５ｓ 和ＹＯＬＯｖ７ 進行第二組對比實驗，并以ｍＡＰ、模型大小、參數量和ＦＰＳ 作為模型性能的評價指標，實驗結果如表６ 所示。分析表６ 數據可知，本文算法在ｍＡＰ 方面具有最佳的性能，修改后網絡比原始ＹＯＬＯｖ５ｓ 的ｍＡＰ 提高了４． ４４％ ，模型大小增加了１． ８％ ，參數量增加了２％ ，這也表明模型大小和參數量的含義幾乎相同，本質上是Ｍ 和ＭＢ 單位的轉換。在ＦＰＳ 方面，本文改進算法ＦＰＳ 為５６． ７６，淺層１６０×１６０ 尺度的添加擴大了模型復雜度，導致本文算法ＦＰＳ 相較于原算法降低了２４． ９％ ，但仍滿足實時性檢測中ＦＰＳ 大于３０的需求。最終結果是在滿足工業(yè)生產檢測速度的情況下有效提高了模型精度。

３． ４． ３ 實驗效果展示

本文算法的檢測性能可視化結果如圖９ 所示，圖中檢測主體為ＹＯＬＯｖ５ｓ 和ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ。通過對比改進前后的檢測效果圖可以發(fā)現(xiàn)，整體上原始ＹＯＬＯｖ５ｓ 算法的置信度相對較低，且在對毛刺類缺陷檢測時出現(xiàn)漏檢情況，本文算法改進提高了檢測精度，解決漏檢問題，具有實用價值。局部上在面對同一背景下的不同缺陷檢測時，無論是原始ＹＯＬＯｖ５ｓ 算法還是本文算法，在面對缺孔、短路和開路３ 類缺陷時表現(xiàn)相對較好，在面對鼠咬、毛刺和余銅３ 類缺陷時表現(xiàn)效果相對較差，這與消融實驗中６ 類缺陷的ＡＰ 值基本吻合，其中鼠咬和毛刺的檢測效果最差；一部分原因是缺陷本身特征不明顯，與其他４ 類缺陷相比更容易在卷積過程中丟失輪廓信息造成定位錯誤；另一部分原因是此２ 類缺陷之間相似性較高，在缺陷檢測過程中容易相互混淆，造成分類錯誤，使得檢測效果較差?？傮w而言本文Ｓｉ-ｍＡＭ-ＹＯＬＯｖ５ｓ 算法有效提高了原始算法的檢測精度。

４ 結束語

本文提出一種基于ＳｉｍＡＭ-ＹＯＬＯｖ５ｓ 的ＰＣＢ 缺陷檢測算法，目的是解決工業(yè)生產過程中ＰＣＢ 缺陷檢測存在缺檢漏檢等問題。該算法使用Ｋｍｅａｎｓ＋＋聚類算法與四尺度融合網絡并結合ＳｉｍＡＭ 注意力機制模塊和ＳＩｏＵ 損失函數有效提升網絡收斂速度與檢測效果。對比不同目標檢測算法可知，本文模型在檢測精度方面具有良好效果，其ｍＡＰ 值達到９８． ３９％ ，ＦＰＳ 為５６． ７６，在滿足ＰＣＢ 缺陷檢測實時性要求的前提下，有效提高了檢測精度，同時本文算法在改進輕量化方面也具備一定的發(fā)展前景。

參考文獻

［１］ ＬＩ Ｙ Ｆ，ＬＩ Ｓ Ｙ． Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｂａｒｅ Ｐｒｉｎｔｅｄ ＣｉｒｃｕｉｔＢｏａｒｄｓ Ｂａｓｅｄ ｏｎ Ｇｒａｄｉｅｎｔ Ｄｉｒｅｃｔｉｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｔｒｏｐｙａｎｄ Ｕｎｉｆｏｒｍ Ｌｏｃａｌ Ｂｉｎａｒｙ Ｐａｔｔｅｒｎｓ ［Ｊ］． Ｃｉｒｃｕｉｔ Ｗｏｒｌｄ，２０１７，４３（４）：１４５－１５１．

［２］ ＣＨＯＭＳＵＷＡＮ Ｋ，ＹＡＭＡＤＡ Ｓ，ＩＷＡＨＡＲＡ Ｍ． Ｉｍｐｒｏｖｅｍｅｎｔ ｏｎ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＰＣＢ Ｉｎｓｐｅｃｔｉｏｎｂａｓｅｄ ｏｎ ＥＣＴ Ｔｅｃｈｎｉｑｕｅ ｗｉｔｈ ＭｕｌｔｉＳＶＧＭＲ Ｓｅｎｓｏｒ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍａｇｎｅｔｉｃｓ，２００７，４３（６）：２３９４－２３９６．

［３］ ＧＥ Ｑ，ＺＨＥＮＧ Ｓ Ｓ，ＺＨＡＯ Ｙ，ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｏｆＰＣＢ Ｃｏｍｐｏｎｅｎｔ Ｂａｓｅｄ ｏｎ Ａｕｔｏｍａｔｉｃ Ｏｐｔｉｃａｌ ＳｔｉｔｃｈｉｎｇＡｌｇｏｒｉｔｈｍ［Ｊ］． Ｃｉｒｃｕｉｔ Ｗｏｒｌｄ，２０１５，４１（４）：１３３－１３６．

［４］ ＡＮＮＡＢＹ Ｍ Ｈ，ＦＯＵＤＡ Ｙ Ｍ，ＲＵＳＨＤＩ Ｍ Ａ． Ｉｍｐｒｏｖｅｄｎｏｒｍａｌｉｚｅｄ Ｃｒｏｓｓｃｏｒｒｅｌａｔｉｏｎ ｆｏｒ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｉｎ ＰｒｉｎｔｅｄＣｉｒｃｕｉｔ Ｂｏａｒｄｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＳｅｍｉｃｏｎｄｕｃｔｏｒＭａｎｕｆａｃｔｕｒｉｎｇ，２０１９，３２（２）：１９９－２１１．

［５］ ＧＩＲＳＨＩＣＫ Ｒ． Ｆａｓｔ ＲＣＮＮ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓａｎｔｉａｇｏ：ＩＥＥＥ，２０１５：１４４０－１４４８．

［６］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｆａｓｔｅｒ ＲＣＮＮ：Ｔｏｗａｒｄｓ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ ＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［７］ 陳仁祥，詹贊，胡小林，等． 基于多注意力Ｆａｓｔｅｒ ＲＣＮＮ的噪聲干擾下印刷電路板缺陷檢測［Ｊ］． 儀器儀表學報，２０２１，４２（１２）：１６７－１７４．

［８］ ＨＵ Ｂ，ＷＡＮＧ Ｊ Ｈ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ＰＣＢ Ｓｕｒｆａｃｅ Ｄｅｆｅｃｔｓｗｉｔｈ Ｉｍｐｒｏｖｅｄ ＦａｓｔｅｒＲＣＮＮ ａｎｄ Ｆｅａｔｕｒｅ ＰｙｒａｍｉｄＮｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１０８３３５－１０８３４５．

［９］ ＲＥＤＭＯＮ Ｊ，ＤＩＶＶＡＬＡ Ｓ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｙｏｕ ＯｎｌｙＬｏｏｋ Ｏｎｃｅ：Ｕｎｉｆｉｅｄ，Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［Ｃ］∥２０１６ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７９－７８８．

［１０］ ＬＩＵ Ｗ，ＡＮＧＵＥＬＯＶ Ｄ，ＥＲＨＡＮ Ｄ，ｅｔ ａｌ． ＳＳＤ：ＳｉｎｇｌｅＳｈｏｔ Ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ［Ｃ］∥２０１６ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ（ＥＣＣＶ）． Ａｍｓｔｅｒｄａｍ：Ｓｐｒｉｎｇｅｒ，２０１６：２１－３７．

［１１］ 楊杰，張書杰． 基于密集ＹＯＬＯｖ３ 的印刷電路板缺陷識別［Ｊ］． 北京郵電大學學報，２０２２，４５（５）：４２－４８．

［１２］ ＳＨＡＯ Ｇ Ｆ，ＺＨＥＮＧ Ｙ Ｙ，ＬＩ Ｔ Ｊ，ｅｔ ａｌ． Ａｎ ＩｍｐｒｏｖｅｄＹＯＬＯｖ３ Ｎｅｔｗｏｒｋ ｆｏｒ ＰＣＢ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［Ｃ］∥２０２１Ｃｈｉｎａ Ａｕｔｏｍａｔｉｏｎ Ｃｏｎｇｒｅｓｓ （ＣＡＣ）． Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２１：１８１９－１８２３．

［１３］ ＷＡＮＧ Ｘ Ｑ，ＺＨＡＮＧ Ｘ Ｙ，ＺＨＯＵ Ｎ． Ｉｍｐｒｏｖｅｄ ＹＯＬＯｖ５ｗｉｔｈ ＢｉＦＰＮ ｏｎ ＰＣＢ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥２０２１ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ （ＩＣＡＩＣＥ ）． Ｈａｎｇｚｈｏｕ：ＩＥＥＥ，２０２１：１９６－１９９．

［１４］ ＫＡＮＧ Ｌ Ｔ，ＧＥ Ｙ Ｗ，ＨＵＡＮＧ Ｈ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ＰＣＢＤｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＳＳＤ［Ｃ］∥２０２２ ＩＥＥＥ ４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ｓａｆｅｔｙ ａｎｄ ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ （ＩＣＣＡＳＩＴ）． Ｄａｌｉ：ＩＥＥＥ，２０２２：１３１５－１３１９．

［１５］ ＬＥＥ Ｙ Ｈ，ＫＩＭ Ｙ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＣＮＮ ａｎｄ ＹＯＬＯ ｆｏｒＯｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ ＆Ｄｉｓｐｌａｙ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，１９（１）：８５－９２．

［１６］ ＷＡＮＧ Ｚ Ｐ，ＪＩＮ Ｌ Ｙ，ＷＡＮＧ Ｓ，ｅｔ ａｌ． Ａｐｐｌｅ Ｓｔｅｍ ／ ＣａｌｙｘＲｅａｌｔｉｍｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ ＹＯＬＯｖ５ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ＦｒｕｉｔＡｕｔｏｍａｔｉｃ Ｌｏａｄｉｎｇ Ｓｙｓｔｅｍ ［Ｊ］． Ｐｏｓｔｈａｒｖｅｓｔ Ｂｉｏｌｏｇｙ ａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２２，１８５：１１１８０８．

［１７］ ＭＡＴＨＥＷ Ｍ Ｐ，ＭＡＨＥＳＨ Ｔ Ｙ． Ｌｅａｆｂａｓｅｄ ＤｉｓｅａｓｅＤｅｔｅｃｔｉｏｎ ｉｎ Ｂｅｌｌ Ｐｅｐｐｅｒ Ｐｌａｎｔ Ｕｓｉｎｇ ＹＯＬＯ ｖ５［Ｊ］． ＳｉｇｎａｌＩｍａｇｅ Ｖｉｄｅｏ Ｐｒｏｃｅｓｓ． ２０２２，１６：８４１－８４７．

［１８］ ＢＯＣＨＫＯＶＳＫＩＹ Ａ，ＷＡＮＧ Ｃ Ｙ，ＬＩＡＯ Ｈ Ｙ Ｍ．ＹＯＬＯｖ４：Ｏｐｔｉｍａｌ Ｓｐｅｅｄ ａｎｄ Ａｃｃｕｒａｃｙ ｏｆ ＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎ［ＥＢ ／ ＯＬ］． （２０２０ － ０４ － ２３）［２０２３ － ０８ － ０２］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２００４． １０９３４．

［１９］ ＷＡＮＧ Ｈ，ＺＨＡＮＧ Ｓ，ＺＨＡＯ Ｓ Ｌ，ｅｔ ａｌ． Ｒｅａｌｔｉｍｅ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｔｒａｃｋｉｎｇ ｏｆ Ｆｉｓｈ Ａｂｎｏｒｍａｌ Ｂｅｈａｖｉｏｒ Ｂａｓｅｄ ｏｎＩｍｐｒｏｖｅｄ ＹＯＬＯＶ５ ａｎｄ ＳｉａｍＲＰＮ＋＋［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ａｎｄＥｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，２０２２，１９２：１０６５１２．

［２０］ ＹＡＮＧ Ｌ Ｘ，ＺＨＡＮＧ Ｒ Ｙ，ＬＩ Ｌ Ｄ，ｅｔ ａｌ． ＳｉｍＡＭ：ＡＳｉｍｐｌｅ，Ｐａｒａｍｅｔｅｒｆｒｅｅ Ａｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ ｆｏｒ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［ＥＢ ／ ＯＬ］． ［２０２３－０８－１０］． ｈｔｔｐ：∥ｐｒｏｃｅｅｄｉｎｇｓ． ｍｌｒ． ｐｒｅｓｓ／ ｖ１３９ ／ ｙａｎｇ２１ｏ ／ ｙａｎｇ２１ｏ． ｐｄｆ．

［２１］ ＷＥＢＢ Ｂ Ｓ，ＤＨＲＵＶ Ｎ Ｔ，ＳＯＬＯＭＯＮ Ｓ Ｇ，ｅｔ ａｌ． Ｅａｒｌｙａｎｄ Ｌａｔｅ Ｍｅｃｈａｎｉｓｍｓ ｏｆ Ｓｕｒｒｏｕｎｄ Ｓｕｐｐｒｅｓｓｉｏｎ ｉｎ ＳｔｒｉａｔｅＣｏｒｔｅｘ ｏｆ Ｍａｃａｑｕｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２００５，２５（５０）：１１６６６－１１６７５．

作者簡介

胡蘭蘭 女，（１９９９—），碩士研究生。主要研究方向：圖像處理、目標檢測。

鄧 超 男，（１９８０—），博士，教授。主要研究方向：圖像處理、嵌入式系統(tǒng)。

基金項目：河南省科技攻關項目（２３２１０２２１０１００）；河南理工大學基本科研業(yè)務費基礎研究項目（Ｂ 類）（ＮＳＦＲＦ２３０６０１）