《多尺度特征融合YOLOV3的PCB表面缺陷检测》由会员分享，可在线阅读，更多相关《多尺度特征融合YOLOV3的PCB表面缺陷检测（5页珍藏版）》请在金锄头文库上搜索。
1、 多尺度特征融合YOLOV3的PCB表面缺陷检测 摘要：针对目前常用的目标检测算法检测PCB板表面缺陷具有定位不准确、细小缺陷难以检测等问题，本文提出了多尺度特征融合的YOLO V3（Multiscale Feature Fusion，MFF-YOLO V3）PCB缺陷检测方法。受YOLO V3模型启发，通过设计卷积神经网络提取多尺度图像特征，将生成的多尺度特征进行融合以生成单尺度图像特征，然后运用聚类方法以实现对PCB板缺陷的准确定位。与YOLO V3不同在于，通过提高多尺度图像特征的分辨率并进行融合，提高了模型对PCB板微小缺陷的检测能力；为实现PCB板缺陷的精准定位，采用以AvgIOU为
2、金标准的K-means算法实现候选目标区域的重定义。同时，由于MFF-YOLO V3实现了单输出以实现特征的提取，减小卷积层的层数，从而减小网络训练的计算量。通过在DeepPCB数据集上进行测试，其mAP较YOLO V3提升了9.2%，准确率达到了87.9%。实验表明，多尺度特征融合YOLO V3的PCB板表面缺陷检测方法能够更有效的检测PCB板缺陷，基本满足工业检测要求。关键词：PCB板缺陷；YOLO V3；深度学习；多尺度；AvgIOU印刷电路板是电子产品的重要组成部分，但是在生产过程中会出现一些缺陷影响电子产品的寿命，因此对PCB板进行缺陷检测保证其质量具有重要意义。人工检测是最早的检测
3、方法1，但存在效率和准确率低的问题，所以提出了机器视觉检查方法。机器视觉检查方法主要是自动光学检测，可以分为三类2-4：参考法、非参考法和混合法。参考法选定标准的PCB板作为参考，称为参考图像，再将测试的PCB板于标准模板作比较，对缺陷类型和位置进行判别。非参考法不需要将待测图像与标准图像进行比较，而是预先设置一系列缺陷判别规则，直接输入待检测图像，根据符合规则的区域确定相应的缺陷。混合法是一种综合利用图像信息的缺陷检测方法。它是一种结合了参考法和非参考法两种算法特点的检测方法。混合法精度很高，但是算法比较复杂。近年来，深度学习算法在图像领域取得了突破。针对常见的目标检测方法对PCB板细小缺陷
4、难以提取特征和定位不准确的问题，本文提出了一种MFF-YOLO V3的网络。该方法以YOLO V3为框架，通过卷积神经网络提取目标的特征后将多尺度特征融合以提高检测精度，同时将多尺度预测改为单尺度输出，这样减少计算量提高速度；为了更加精准的定位PCB板的缺陷，利用K-means算法将平均重叠度AvgIOU作为聚类的指标，有利提高对PCB板缺陷的定位能力。1 多尺度特征融合YOLO V3的PCB板表面缺陷检测1.1 网络设计如图1所示，本文提出使用上层网络信息确定本文中的小目标，为了获得更多的高级特征并提高目标分类的准确性，将从YOLO V3网络输出的8倍降采样图上采样4次以获得2倍降采样后的特
5、征图，然后再将特征图和从网络中输出的2倍下采样图融合一起，从而获得2倍下采样的目标检测特征；YOLO V3的输出预测有大，中，小三个等级分别对应三种不同的锚框尺寸。在PCB板缺陷数据集中，以416416输入为例，但图像被8倍下采样后，输入图像中小于5252的目标就会被压缩为小于一个像素而无法检测，但是因为PCB板中的缺陷很多都小于5252，所以YOLO V3中的小尺度预测并不能实际的检测到PCB板的缺陷。因此改为单尺度输出，单尺度预测方法一方面提高了小目标模型的召回率，另一方面提高了模型的检测精度，更适合于PCB板的缺陷检测。 图2 MFF-YOLO V3网络示意图1.2 候选框的选取本文主要
6、对PCB板缺陷进行定位，YOLO V3使用K-means算法产生9个大小不同的候选框，但并不适用于本文的研究对象，候选框的大小会影响检测结果的精度。因此，用K-means算法对PCB数据集进行聚类分析。将平均重叠度AvgIOU作为聚类分析的标准，平均重叠度的值越高说明效果越好，随着聚类数的增加，将AvgIOU曲线的斜率最大的点视为最优点，在斜率最大点之后上升缓慢。选取合适的候选框个数可以减少计算量加快损失函数的收敛速度，也可以提高精确度。因为输入图像的尺寸为416416，重设后的候选框大小分别为(44)，(56)，(88)，(1111)，(1516)，(2224)。2.1 实验数据本实验数据用
7、的是DeepPCB的开源数据集，因为原始的样本较少，所以对样本进行了扩充，扩充后的数据集每种缺陷约有1000张左右。2.2 实验结果为了更加清楚的比较两个模型的性能，以mAP（平均准确精度）、FPS（每秒帧数）和召回率为参数。为了更加清楚的比对每个改进点带来的性能提升，本组实验分为四组，分别为YOLO V3原始模型mAP为77.45%，YOLO V3候选框模型（称为YOLO V3-AvgIOU）mAP为78.01%，YOLO V3特征金字塔模型（称为YOLO V3-FPN）mAP为80.02% ，特征金字塔和候选框模型（称为YOLO MFF-YOLO V3）mAP为81.33%。2.3 实验实
8、例利用MFF-YOLO V3网络模型对PCB板表面缺陷进行检测，检测效果如图2所示:图2 YOLOMFF-YOLO V3检测效果3 结论本文是基于PCB板表面缺陷检测的MFF-YOLO V3算法，通过实验证明MFF-YOLO V3针对PCB板缺陷检测可以得到如下结论：（1）针对YOLO V3对PCB板细小缺陷检测能力差的问题，本文提出了MFF-YOLO V3网络结构，增加低层特征层，将低层特征和高层特征融合；由于PCB板实际缺陷较小，所以将原本的多尺度预测改为单输出，减少计算量，使mAP提高了3.88%，可以满足工业检测的基本要求。（2）本文提出了用AvgIOU作为聚类指标有效解决了K-mea
9、ns对聚类中心选取不准确会导致对目标定位不准的问题，提高了网络对小目标的定位能力。参考文献1. 汤勃,孔建益,伍世虔.机器视觉表面缺陷检测综述J.中国图象图形学报, 2017, 22(12):1640-1663.2. 郭峰林,管庶安,孔岩.基于AOI的印刷电路图像对准算法研究J.中国工程科学,2012,14(11):103-106.3. Wang Fen,Li Xuemei,Xu Gang.The PCB defect inspection system design based on lab windows/CVIP.Industrial Mechatronics and Automation,2009. ICIMA 2009.International Conference on, 2009.4. Shu-an Guan, Fenglin Guo.A New Image Enhancement Algorithm for PCB Defect DetectionP. Intelligence Science and Information Engineering (ISIE), 2011 International Conference on, 2011.基金项目：东华理工大学研究生创新项目基金（DHYC-201911）-全文完-
