尹嘉超, 吕耀文, 索科, 黄玺
引用本文: 尹嘉超, 吕耀文, 索科, 黄玺. 基于EfficientNetv2的PCB缺陷检测算法[J/OL]. 计算机辅助设计与图形学学报,1-10[2024-07-05]. https://www.jcad.cn/cn/article/doi/10.3724/SP.J.1089.2023-00551
Citation: Yin Jiachao, Lyu Yaowen, Suo Ke, Huang Xi. PCB Defect Detection Algorithm Based on EfficientNetv2[J/OL]. Journal of Computer-Aided Design & Computer Graphics, 1-10[2024-07-05]. https://www.jcad.cn/cn/article/doi/10.3724/SP.J.1089.2023-00551
随着电子制造业的发展, 电子产品趋于多功能化、微型化、智能化. 印刷电路板(PCB)作为一种高精密的电子元器件, 其优良与否对电子产品的质量有着重要影响. 但现有的PCB缺陷检测算法存在着检测精度不高, 特别是缺陷定位不够精确等问题. 针对以上问题提出一种基于EfficientNetV2的PCB缺陷检测算法. 在Faster R-CNN的基础上, 通过选用特征提取能力更强的EfficientNetV2_M作为特征提取网络,同时使用通道注意力机制(ECA)对特征融合网络FPN进行优化, 提高了细节信息提取能力. 在北京大学智能机器人开放实验室发布的PCB瑕疵数据集上的实验结果表明改进后的缺陷检测算法相较于目前检测效果最好的PCB缺陷检测算法LWN-Net, 在IoU=0.50时mAP由99.58%提升到99.66%; 在IoU=[0.50:0.95]时mAP由52.6%提升到79.4%.该网络在提升了PCB的检测精度的同时解决了缺陷定位不够精确的问题, 实现了高精度的PCB缺陷检测, 具有一定的实际意义.
改进后的Faster R-CNN模型
改进后的Faster R-CNN模型结构如图1所示, 主要由特征提取网络EfficientNetV2_M, EFPN, 候选区域生成网络(RPN)和计算损失, 以及进行预测的头部网络组成.
改进后的Faster R-CNN算法流程图如图2所示.
图2 改进后的Faster R-CNN算法流程
实 验
叙事结构抽象方法是叙事可视化的重要组成部分, 通过对叙事结构进行抽象和表示, 可以更好地理解和呈现叙事内容. 本文将叙事结构的抽象方法分为连续性表示、单元式表示和离散化表示3类.
○ 模型训练
为使模型有更快的收敛速度, 采用迁移学习的思想, 载入Pytorch官方EfficientNetV2_M的预训练权重作为模型的初始化权重, 训练50个epoch后模型基本收敛, Loss不再下降. 预测效果最佳的损失曲线以及评估指标mAP、召回率如图7所示.
在图7所示的召回率曲线中, 只有开路与短路的召回率没有达到100%存在漏检现象, 如图8所示.
为了更好地评估本文改进的缺陷检测算法对于PCB缺陷目标的检测性能, 对本文所提出的模块进行消融实验, 结果如表3所示.
在相同的实验条件下, 选取不同的经典骨干网络进行对比, 其mAP与FPS如表4所示. 与其他骨干网络相比, 本文使用EfficientNetV2_M骨干网络提取特征, 模型的检测精度更高, 效果更好.
在EFPN中, 融合不同特征层会导致不同的检测效果. 为了更深入地评估参与特征融合的各特征层的准确性, 本文在保持其他网络结构不变的情况下进行了对比实验. 选择不同的特征层组合进行融合, 实验结果如表5所示.
○ 相同缺陷场景不同检测方法对比
为了验证改进后的Faster R-CNN在PCB检测算法中的性能, 在相同数据集下与其他的PCB检测算法进行实验对比, 所得数据如表6所示. 本文算法具有较高的检测精度, 并且满足实时检测需求, 其性能优于其他网络.
从未参与训练的原始数据集中随机挑选PCB缺陷图, 在相同环境下分别使用改进后的Faster R-CNN和以VGG16为骨干网络的原始Faster R-CNN对缺陷图进行检测, 其对比结果如图9所示. 本文算法检测精度更高, 在工业生产缺陷检测中能达到更好的检测效果.
结 语
尹嘉超(1998—), 男, 硕士研究生, 主要研究方向为图像处理、深度学习.
吕耀文(1987—), 男, 博士, 副教授, 硕士生导师, 论文通信作者, 主要研究方向为光电检测与图像处理.
索 科(1999—), 男, 硕士研究生, 主要研究方向为图像处理.
黄 玺(1998—), 男, 硕士研究生, 主要研究方向为图像处理、深度学习.
— END —
还没关注？点击下方“卡片”关注，获取第一时间资讯
综述推荐 | 监控场景下基于单帧与视频数据的行人属性识别方法综述及展望
本公众号发布的所有原创文章欢迎转发和转载，但必须注明作者和文章出处为《计算机辅助设计与图形学学报》公众号；任何媒体、网站或个人不得对本公众号原创图文进行内容修改或摘编。除本公众号原创的图文之外，本公众号发布的图文旨在学术交流，版权归原作者所有，本公众号将不承担任何法律责任；非原创内容均已对来源作出标注，如有侵权，请留言与本公众号联系，我们将及时处理。《计算机辅助设计与图形学学报》拥有最终解释权。
