• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的PCB缺陷檢測

    2022-03-21 11:13:26何國忠
    圖學(xué)學(xué)報 2022年1期
    關(guān)鍵詞:細(xì)粒度檢測器注意力

    何國忠,梁 宇

    基于卷積神經(jīng)網(wǎng)絡(luò)的PCB缺陷檢測

    何國忠,梁 宇

    (云南大學(xué)軟件學(xué)院,云南 昆明 650504)

    印刷電路板(PCB)在生產(chǎn)制造中由于生產(chǎn)工序等問題易導(dǎo)致電路板存在瑕疵缺陷,為提高對電路板缺陷的檢測效率,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的電路板缺陷檢測網(wǎng)絡(luò)。該檢測網(wǎng)絡(luò)基于YOLO v4網(wǎng)絡(luò)進(jìn)行優(yōu)化改造,針對于PCB制作精密、復(fù)雜,各類缺陷不易檢測的難點,在優(yōu)化后的網(wǎng)絡(luò)中加入了基于細(xì)粒度空間域的長距離全局注意力機(jī)制,同時在SPP模塊的基礎(chǔ)上進(jìn)行特征圖重組作為各YOLO檢測頭的輸入。通過使用長距離注意力機(jī)制通道將淺層網(wǎng)絡(luò)提取到的特征傳遞到深層網(wǎng)絡(luò)中,并采用特征圖重組的方式提升特征信息豐富度,從而提高對于PCB缺陷檢測的精度。經(jīng)實驗分析,與各類經(jīng)典CNN相比,在PCB缺陷檢測任務(wù)中,該算法有較大優(yōu)勢,整體缺陷的平均檢測精度均值(mAP)達(dá)到91.40%,適用于實際生產(chǎn)、檢測環(huán)節(jié)。

    印刷電路板;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);缺陷檢測;注意力機(jī)制

    在工業(yè)制造4.0的背景下,工業(yè)水平快速進(jìn)步、生產(chǎn)力飛速提升,這一切均離不開智能工業(yè)生產(chǎn)設(shè)備,而工業(yè)化生產(chǎn)設(shè)備的核心組件則是每一塊制作精密的印刷電路板(printed circuit board,PCB)。目前PCB具有高密度、多層化的特點,即小體積、多功能,對其制造工藝有了更嚴(yán)格要求。但目前,PCB的制造工藝還不能很好地滿足集成電路的發(fā)展水平,在生產(chǎn)中易出現(xiàn)各種產(chǎn)品缺陷,若缺陷品流入市場,在日后的使用當(dāng)中則會導(dǎo)致設(shè)備故障和損壞。因此對于PCB的缺陷檢測是其生產(chǎn)制造環(huán)節(jié)中的重要一環(huán)。

    目前,對于PCB缺陷檢測方法大體上可以分為3類:一是早期的人工檢測,該方法的檢測精度及效率極大地依賴于檢測人員的工作經(jīng)驗,同時檢測精度也隨工作時間的持續(xù)而降低,其不穩(wěn)定性較高;二是目前使用較廣的基于電氣特性的缺陷檢測,該方法具有精度高、檢測快的特點,如文獻(xiàn)[1]提出的一種內(nèi)置的電氣測試電路,用于檢測PCB的焊盤和IC之間的互連處的開路缺陷,采用電氣測試時需要對PCB進(jìn)行通電等接觸性操作,但存在二次損壞的可能;三是新興的基于計算機(jī)視覺的檢測方案,如文獻(xiàn)[2]采用TDD-Net卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)對PCB的缺陷進(jìn)行檢測,采用圖像識別檢測無需與PBC直接接觸避免了二次損壞的可能,同時隨著計算機(jī)硬件的發(fā)展對于圖像的檢測效率也有了大幅提升,同時,基于深度學(xué)習(xí)的目標(biāo)檢測算法與傳統(tǒng)檢測算法在檢測精度和速度均有了大幅提升,越來越多的識別檢測場景采用該方案進(jìn)行落地轉(zhuǎn)化。

    CNN能夠?qū)斎霐?shù)據(jù)進(jìn)行自動學(xué)習(xí)并獲取檢測目標(biāo)的特征信息,無需人工設(shè)計特征器對目標(biāo)進(jìn)行特征提取與檢測,使得CNN在檢測性能方面擁有更強(qiáng)的魯棒性。因此,本文采用CNN作為PCB缺陷特征的提取器,搭配檢測頭進(jìn)行缺陷檢測。本文選用了常見的8類PCB缺陷,分別為missing hole,mouse bite,open circuit,short,spurious copper,spur,pad damage和scratch。PCB缺陷的檢測難點為缺陷區(qū)域面積小,且與周圍正常區(qū)域相似不易區(qū)分。在CNN進(jìn)行特征提取時,輸入的圖片由于下采樣層逐漸縮小了圖片的面積,致各類缺陷目標(biāo)再次縮小,特征不易被提取到。針對這些難點,本文設(shè)計了細(xì)粒度的空間域全局注意力機(jī)制,對淺層網(wǎng)絡(luò)特征信息進(jìn)行細(xì)粒度去冗余處理后再進(jìn)行復(fù)用;同時增加了網(wǎng)絡(luò)中空間金字塔池化(spatial pyramid pooling,SPP)模塊的數(shù)量,并對其輸出進(jìn)行融合,以豐富特征圖中的特征信息,有效地解決了PCB缺陷目標(biāo)小、特征信息少的問題。

    1 相關(guān)研究

    1.1 目標(biāo)檢測算法

    計算機(jī)視覺的目標(biāo)檢測技術(shù),根據(jù)時間線可以分為2大類:①以HOG[3-5],DPM[6-7]算法為代表的傳統(tǒng)目標(biāo)檢測算法,其實現(xiàn)原理是通過人為設(shè)計目標(biāo)的特征檢測器,因人工設(shè)計其局限性較大,僅能在簡單的場景下對目標(biāo)進(jìn)行識別;②基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)檢測方法,能夠自動提取目標(biāo)特征,在擬合性、魯棒性等方面均優(yōu)于傳統(tǒng)目標(biāo)檢測方法,被廣泛應(yīng)用于圖像檢測領(lǐng)域[8-10]。CNN檢測方法,根據(jù)應(yīng)用需求的不同也延伸出了2種方法:①以獲取高精度為需求的雙階段檢測網(wǎng)絡(luò),其檢測流程分為2個階段,第一個階段,先從輸入的圖片中提取出候選區(qū)域即可能存在有目標(biāo)的區(qū)域,第二個階段則根據(jù)目標(biāo)的特征信息對候選區(qū)域進(jìn)行預(yù)測[11];②以檢測速度為首要考慮因素的方法,為單階段檢測網(wǎng)絡(luò),不同于雙階段檢測網(wǎng)絡(luò),其無需候選區(qū)域,可采用線性回歸的計算方式直接對目標(biāo)的類別及位置進(jìn)行預(yù)測。根據(jù)生產(chǎn)車間流水化作業(yè),流程快速、準(zhǔn)確的特性,本文選用YOLO v4單階段檢測網(wǎng)絡(luò),在保證檢測速度的同時優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),以提升檢測精度[12]。

    1.2 YOLO網(wǎng)絡(luò)

    YOLO網(wǎng)絡(luò)在結(jié)構(gòu)上分為負(fù)責(zé)目標(biāo)特征提取工作的主干網(wǎng)絡(luò)及負(fù)責(zé)目標(biāo)類別、位置預(yù)測的檢測網(wǎng)絡(luò)2部分。在YOLO v4網(wǎng)絡(luò)中,主干網(wǎng)絡(luò)采用的是CSPDarkNet結(jié)構(gòu),為典型的殘差網(wǎng)絡(luò),通過殘差恒等映射的方式避免了梯度消失問題,使得網(wǎng)絡(luò)的層數(shù)更深,可獲取更多的特征信息,且豐富的特征信息為檢測網(wǎng)絡(luò)的預(yù)測精度提供了保障。在YOLO檢測網(wǎng)絡(luò)中對于目標(biāo)的預(yù)測流程為:

    (1) 輸入到檢測器的特征圖被劃分為若干個網(wǎng)格區(qū)域,并將檢測任務(wù)由全圖細(xì)分到每個網(wǎng)格區(qū)域,當(dāng)檢測目標(biāo)的中心點位于某個網(wǎng)格時,則由該網(wǎng)格負(fù)責(zé)對目標(biāo)的位置及類別信息進(jìn)行預(yù)估。

    (3) 在完成所有anchors預(yù)測框的得分后,再由非極大值抑制(non-maximum suppression,NMS)算法對同一目標(biāo)的多個預(yù)測框或得分值較低的預(yù)測框進(jìn)行去冗余處理,得出最終的預(yù)測結(jié)果并輸出。

    2 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

    PCB缺陷檢測難點在于缺陷區(qū)域的面積過小,缺陷特征在圖片不放大的情況下不明顯,即不易被檢測器所提取,存在較為嚴(yán)重的漏檢情況,不能滿足生產(chǎn)檢驗環(huán)節(jié)的實用要求。為解決目標(biāo)小、特征少的問題,本文基于YOLO v4網(wǎng)絡(luò)提出了2個改進(jìn)方案,以提升主干網(wǎng)絡(luò)對于小目標(biāo)的特征獲取能力。

    2.1 細(xì)粒度空間域全局注意力模塊

    對于深度卷積神經(jīng)網(wǎng)絡(luò)而言,整體結(jié)構(gòu)呈倒金字塔形,特征圖的大小同整個網(wǎng)絡(luò)結(jié)構(gòu)同時進(jìn)行縮放,即網(wǎng)絡(luò)越深,特征圖越小。對于圖中的小目標(biāo),其特征信息因池化下采樣操作被區(qū)域周圍的特征信息同化而消失。為解決該問題,本文設(shè)計了細(xì)粒度空間域的全局注意力模塊,該模塊的作用有2個,一是通過全局的連接通道將主干網(wǎng)絡(luò)的首尾相連,使得淺層網(wǎng)絡(luò)的特征能夠復(fù)用于深層網(wǎng)絡(luò)之中。該設(shè)計以CNN結(jié)構(gòu)的功能劃分,對于淺層網(wǎng)絡(luò)部分,由于輸入的圖片經(jīng)過的卷積計算較少,其特征值主要反映了目標(biāo)的形態(tài)特征;而在深層部分,由于經(jīng)過充分的卷積計算,特征值主要反映了目標(biāo)的類別特征即語義特征。而通過全局域的連接通道將淺層的形態(tài)特征補(bǔ)充到深層網(wǎng)絡(luò)進(jìn)行語義特征的提取,避免了小目標(biāo)特征丟失的問題。二是在于細(xì)粒度的空間域注意力機(jī)制,其目的在于淺層的特征圖同時包含前景和背景的形態(tài)特征。對于小目標(biāo)而言,特征圖中前景信息更加稀少,因此采用基于空間域的注意力機(jī)制對存在有目標(biāo)的空間域信息進(jìn)行加權(quán),且通過對特征圖的通道分組加權(quán)實現(xiàn)細(xì)粒度注意力功能,所提取的加權(quán)區(qū)域更有針對性。圖1為本文所設(shè)計的模塊結(jié)構(gòu),模塊由2部分組成:①對特征圖的細(xì)粒度及空間加權(quán)進(jìn)行處理,首先將特征圖依據(jù)通道數(shù)量等分為組新的特征圖,每組特征圖的通道數(shù)為原來的1/。然后,對每張新的特征圖均執(zhí)行以下操作,即新生成的特征圖由卷積核個數(shù)為1的1×1卷積層進(jìn)行特征圖壓縮,并由Sigmoid激活函數(shù)對特征圖進(jìn)行賦值加權(quán),之后將所有的特征圖進(jìn)行add相加操作,再由1×1卷積層對特征信息進(jìn)行整合,至此獲得完整的空間權(quán)值信息;②特征融合,將得到的空間權(quán)值特征圖與需要傳遞的特征圖進(jìn)行相乘賦值,完成后的特征圖經(jīng)由1×1卷積層與ReLU激活函數(shù)傳遞到網(wǎng)絡(luò)的深層。該模塊在網(wǎng)絡(luò)深層補(bǔ)充了小目標(biāo)的形態(tài)特征信息,使其能夠被網(wǎng)絡(luò)捕獲繼而轉(zhuǎn)換為語義特征信息,以解決小目標(biāo)在深層網(wǎng)絡(luò)中語義特征丟失的問題。

    圖1 細(xì)粒度空間域全局注意力模塊

    2.2 基于SPP模塊的輸出通道混合

    在CSPDarkNet網(wǎng)絡(luò)的末端含有一個SPP模塊,該模塊通過采用不同大小的池化層分別獲取全局與局部的特征,之后進(jìn)行融合操作以獲取綜合特征信息。但整個網(wǎng)絡(luò)僅包含有一個SPP模塊,對于其他尺度的YOLO檢測頭而言無法直接利用該融合后的特征[13-16]。本文以網(wǎng)絡(luò)的默認(rèn)輸入608×608為例,在CSPDarkNet網(wǎng)絡(luò)中的38×38和76×76CSPRes模塊后各增加了一個SPP模塊,即每個尺度的檢測層均配備專屬的SPP模塊來獲取主干網(wǎng)絡(luò)所提取的特征。但在網(wǎng)絡(luò)結(jié)構(gòu)分布上,3個SPP模塊同樣具有不同深度層次的分布,本文對其輸出進(jìn)行通道混合,并輸入到對應(yīng)的檢測模塊中,整體實現(xiàn)結(jié)構(gòu)如圖2所示。其中彩色部分為通道混組模塊,即每個尺度的SPP模塊輸出后會將綜合信息通過上采樣或下采樣的方式傳遞到另外2個SPP模塊中。融合采用上采樣與下采樣的方式,將3個SPP模塊輸出的特征圖大小進(jìn)行適配,并在add層將不同輸出且大小一致的特征圖進(jìn)行融合。SPP模塊在輸出通道混組后,等效于每個SPP模塊的輸出具有了大、中、小3個尺度的綜合信息,相較于之前的特征信息更加豐富。最后,每個尺度的SPP輸出后經(jīng)一個卷積組加工并直接輸入到檢測器中,如圖2中的“Process”模塊所示,該模塊由一個1×1和一個3×3卷積層進(jìn)行特征提取后,由Leaky ReLU激活函數(shù)進(jìn)行激活,最終輸入到檢測器中。相較于優(yōu)化前SPP模塊的輸出特征需要通過多個卷積組加工及上、下采樣操作才可輸入到不同尺度的檢測器,本文所設(shè)計的混組方案在計算及特征應(yīng)用效率上有明顯提高。

    圖2 基于SPP模塊的通道混合結(jié)構(gòu)

    3 實驗與分析

    3.1 超參數(shù)設(shè)置及評估指標(biāo)

    PCB缺陷檢測目標(biāo)的大小具有極端性,為了最終的預(yù)測結(jié)果能夠更精準(zhǔn)地框選出缺陷區(qū)域,本文在模型訓(xùn)練前對anchors組的尺寸進(jìn)行了重新計算。采用K-means++算法對數(shù)據(jù)集中所有的Ground Truth尺寸進(jìn)行聚類分析,默認(rèn)圖片的輸入尺寸為608×608,每個YOLO檢測器配置3個anchors,聚類后得到9組尺寸:

    19×19 YOLO-Head:(18,33),(18,19),(24,24)

    38×38 YOLO-Head:(24,48),(30,29),(32,17)

    76×76 YOLO-Head:(39,39),(47,23),(69,76)

    本文為評估模型的檢測性能引入了以下評估指標(biāo)

    3.2 實驗結(jié)果分析

    本文采用的數(shù)據(jù)集在文獻(xiàn)[2]的開源數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)樣本與類型的擴(kuò)充,數(shù)據(jù)由原來的10 668張擴(kuò)充至11 668張,類別在原有基礎(chǔ)上增加pad damage和scratch 2類,以使缺陷檢測范圍更廣,模型通用性更強(qiáng)。

    首先本文針對第2節(jié)所述的優(yōu)化方案進(jìn)行消融實驗并分別分析細(xì)粒度空間域全局注意力模塊與SPP模塊的通道混合架構(gòu)對網(wǎng)絡(luò)的提升。從宏觀數(shù)據(jù)指標(biāo)上進(jìn)行評價。測試結(jié)果見表1。

    表1中,細(xì)粒度空間域全局注意力模塊與SPP模塊的通道混合架構(gòu)均能夠提升YOLO v4網(wǎng)絡(luò)對于PCB板的缺陷檢測能力。對于細(xì)粒度空間域全局注意力模塊而言,其通過加強(qiáng)淺層特征信息的利用,提升了檢測器對于檢測目標(biāo)的感知能力,測試結(jié)果中對于召回率指標(biāo)有明顯提升;其次優(yōu)化后的SPP模塊通道連接方案,強(qiáng)化了特征豐富度,檢測器對于目標(biāo)所屬類別的判定可以依據(jù)更豐富的特征信息進(jìn)行,使得類別屬性檢測精度有所提升。綜上,通過消融實驗證明本文方案對于YOLO網(wǎng)絡(luò)在PCB缺陷檢測任務(wù)中的檢測性能有所提升。

    表1 消融實驗對比結(jié)果

    另外在實驗環(huán)節(jié)中增加Faster RCNN,SSD及YOLO v4網(wǎng)絡(luò)同優(yōu)化后的YOLO New進(jìn)行訓(xùn)練及測試。對于不同模型每個類別的Recall,Precision,F(xiàn)1score及AP的4個指標(biāo)測試結(jié)果分別見表2~5。

    表2 Recall測試對比結(jié)果(%)

    表3 Precision測試對比結(jié)果(%)

    表4 F1-score測試對比結(jié)果

    表5 各類目標(biāo)AP值及mAP測試對比結(jié)果(%)

    表2中,F(xiàn)aster RCNN網(wǎng)絡(luò)的雙階段網(wǎng)絡(luò)結(jié)構(gòu)采用候選框機(jī)制遍歷特征圖,可較全地檢測到圖中的目標(biāo),而對于單階段目標(biāo)SSD和YOLO v4查全能力則較弱,且召回率差距過大,是因SSD所采用的主干網(wǎng)絡(luò)為VGG,其在卷積層數(shù)上僅有YOLO v4的十分之一,說明了網(wǎng)絡(luò)層數(shù)越多對于特征的提取效果越好。基于YOLO v4優(yōu)化后的YOLO New采用全局注意力機(jī)制加強(qiáng)了對于淺層形態(tài)特征的利用,使得在網(wǎng)絡(luò)深層處還能保存小目標(biāo)的特征信息,查全率與Faster RCNN相近,“scratch”較優(yōu)化前提升了25%。

    表3中,F(xiàn)aster RCNN網(wǎng)絡(luò)雖然具有優(yōu)秀的查全能力,但在PCB中有與無缺陷區(qū)域只存在微小的差別,使得滑動遍歷得到的候選框中同時包含有與無缺陷區(qū)域,致使對分類器的分類精度有較大的影響。而單階段的網(wǎng)絡(luò)則不具有背景區(qū)域的影響因素,整體分類精確率要高于Faster RCNN網(wǎng)絡(luò)。而YOLO New各類目標(biāo)的精確率均高于YOLO v4,說明新增SPP通道組合模塊對于特征信息豐富度的補(bǔ)充在一定程度上提升了檢測器對于目標(biāo)的分類能力。

    表4和表5中的F1-Score及mAP指標(biāo)均反映了YOLO New在PCB缺陷檢測任務(wù)中出色的性能,對于絕大部分類型的缺陷,其檢測精度可達(dá)95%以上,保證了實際應(yīng)用的可靠性。

    圖3直觀反映了各模型在實際檢測中的檢測水平。Faster RCNN網(wǎng)絡(luò)雖能檢測出所有缺陷目標(biāo),但候選區(qū)機(jī)制使得同一目標(biāo)存在多個預(yù)測框;對于SSD特征提取本文采用的是VGG,因網(wǎng)絡(luò)結(jié)構(gòu)較為簡單無法從PCB中提取出有效的目標(biāo)特征,致使檢測器無法檢測出缺陷區(qū)域;從圖中可以看出YOLO v4存在漏檢的情況,而YOLO New則能夠?qū)⑺腥毕菽繕?biāo)檢測出來,且不存在與Faster RCNN相似的多檢情況,實際使用效果更佳。

    (a)(b)(c)(d)(e)

    4 結(jié)束語

    本文針對于PCB制造過程中產(chǎn)生的缺陷提出了一種基于CNN的檢測模型。其解決了檢測目標(biāo)小、特征信息少、不易檢測的問題。網(wǎng)絡(luò)結(jié)構(gòu)基于CSPDarkNet網(wǎng)絡(luò)進(jìn)行優(yōu)化,在整體網(wǎng)絡(luò)中加入了細(xì)粒度空間域的全局注意力機(jī)制,將淺層的特征加權(quán)后傳遞到深層網(wǎng)絡(luò)之中,并對其語義特征進(jìn)行補(bǔ)充。另外,增加了網(wǎng)絡(luò)中SPP模塊的數(shù)量,每個檢測維度對應(yīng)的CSPRes模塊均配備了SPP模塊,并對每個SPP模塊的輸出進(jìn)行了融合操作,豐富特征的綜合度。經(jīng)實驗測試,本文設(shè)計的優(yōu)化方案使得YOLO v4網(wǎng)絡(luò)相較于優(yōu)化前精度提升了6.88%,對于檢測能力的魯棒性有了較大提高,為之后的進(jìn)一步研究奠定了扎實基礎(chǔ)。

    [1] WIDIANTO W, YOTSUYANAGI H, ONO A, et al. A built-in electrical test circuit for interconnect tests in assembled PCBs[C]//2012 2nd IEEE CPMT Symposium Japan. New York: IEEE Press, 2012: 1-4.

    [2] DING R W, DAI L H, LI G P, et al. TDD-net: a tiny defect detection network for printed circuit boards[J]. CAAI Transactions on Intelligence Technology, 2019, 4(2): 110-116.

    [3] LEI Z. Histogram of oriented gradient detector with color-invariant gradients in Gaussian color space[J]. Optical Engineering, 2010, 49(10): 10970: 1-109701: 8.

    [4] SUN L, LIU G Z, LIU Y Q. Multiple pedestrians tracking algorithm by incorporating histogram of oriented gradient detections[J]. IET Image Processing, 2013, 7(7): 653-659.

    [5] MANIKONDA S K G, GAONKAR D N. Islanding detection method based on image classification technique using histogram of oriented gradient features[J]. IET Generation, Transmission & Distribution, 2020, 14(14): 2790-2799.

    [6] ALYAMMAHI S, BHASKAR H, RUTA D, et al. People detection and articulated pose estimation framework for crowded scenes[J]. Knowledge-Based Systems, 2017, 131: 83-104.

    [7] XU J L, RAMOS S, VáZQUEZ D, et al. Hierarchical adaptive structural SVM for domain adaptation[J]. International Journal of Computer Vision, 2016, 119(2): 159-178.

    [8] SENGUPTA S, BASAK S, SAIKIA P, et al. A review of deep learning with special emphasis on architectures, applications and recent trends[J]. Knowledge-Based Systems, 2020, 194: 105596.

    [9] POUYANFAR S, SADIQ S, YAN Y L, et al. A survey on deep learning[J]. ACM Computing Surveys, 2019, 51(5): 1-36.

    [10] GARCIA-GARCIA A, ORTS-ESCOLANO S, OPREA S, et al. A survey on deep learning techniques for image and video semantic segmentation[J]. Applied Soft Computing, 2018, 70: 41-65.

    [11] WANG X L, SHRIVASTAVA A, GUPTA A. A-fast-RCNN: hard positive generation via adversary for object detection[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2017: 3039-3048.

    [12] REDMON J, FARHADI A. YOLOv3: an incremental improvement[EB/OL]. [2021-04-22]. https://arxiv.org/abs/ 1804.02767.

    [13] ZENG D, LIU H, ZHAO F, et al. Proposal pyramid networks for fast face detection[J]. Information Sciences, 2019, 495: 136-149.

    [14] 易超人, 鄧燕妮. 多通道卷積神經(jīng)網(wǎng)絡(luò)圖像識別方法[J]. 河南科技大學(xué)學(xué)報: 自然科學(xué)版, 2017, 38(3): 41-44, 5-6.

    YI C R, DENG Y N. Image recognition method of multi-channel convolutional neural network[J]. Journal of Henan University of Science and Technology: Natural Science, 2017, 38(3): 41-44, 5-6 (in Chinese).

    [15] FENG S L, ZHAO H M, SHI F, et al. CPFNet: context pyramid fusion network for medical image segmentation[J]. IEEE Transactions on Medical Imaging, 2020, 39(10): 3008-3018.

    [16] GAN C Q, WANG L, ZHANG Z F, et al. Sparse attention based separable dilated convolutional neural network for targeted sentiment analysis[J]. Knowledge-Based Systems, 2020, 188: 104827.

    PCB defect detection based on convolutional neural network

    HE Guo-zhong, LIANG Yu

    (School of Software, Yunnan University, Kunming Yunnan 650504, China)

    In the production of printed circuit boards (PCB), the production process and other problems incur flaws and defects on the circuit board. In order to enhance the detection efficiency of circuit board defects, a circuit board defect detection network based on convolutional neural network (CNN) was proposed. The whole detection network was optimized and reconstructed based on the YOLO v4 network. Aiming at the difficulty of precise and complex PCB production and difficult detection of various defects, a long-distance global attention mechanism based on fine-grained spatial domain was added to the optimized network. At the same time, on the basis of the spatial pyramid pooling (SPP) module, the feature map was reorganized as the input ofeach YOLO detection head. The long-distance attention mechanism channel was adopted to transfer the features extracted from the shallow network to the deep network, and the feature map reorganization method was utilized to boost the richness of feature information, thereby improving the accuracy of PCB defect detection. After experimental analysis, compared with various classic convolutional neural networks, the proposed algorithm is greatly superior in PCB board defect detection tasks. The mean average precision (mAP) of the overall defects reaches 91.40%, which is suitable for actual production and testing links.

    printed circuit board; deep learning; convolutional neural network; defect detection; attention mechanism

    10 May,2021;

    TP 391

    10.11996/JG.j.2095-302X.2022010021

    A

    2095-302X(2022)01-0021-07

    2021-05-10;

    2021-06-23

    23 June,2021

    何國忠(1995–),男,碩士研究生。主要研究方向為圖形圖像處理、計算機(jī)視覺等。E-mail:heguozhong@mail.ynu.edu.cn

    HE Guo-zhong (1995–), master student. His main research interests cover graphic image processing, computer vision, etc. E-mail:heguozhong@mail.ynu.edu.cn

    梁 宇(1964–),男,教授,碩士。主要研究方向為數(shù)字圖像處理與模式識別。E-mail:yuliang@ynu.edu.cn

    LIANG Yu (1964–), professor, master. His main research interests cover digital image processing and pattern recognition. E-mail:yuliang@ynu.edu.cn

    猜你喜歡
    細(xì)粒度檢測器注意力
    融合判別性與細(xì)粒度特征的抗遮擋紅外目標(biāo)跟蹤算法
    讓注意力“飛”回來
    細(xì)粒度的流計算執(zhí)行效率優(yōu)化方法
    基于雙線性卷積網(wǎng)絡(luò)的細(xì)粒度圖像定位
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    車道微波車輛檢測器的應(yīng)用
    支持細(xì)粒度權(quán)限控制且可搜索的PHR云服務(wù)系統(tǒng)
    A Beautiful Way Of Looking At Things
    一種霧霾檢測器的研究與設(shè)計
    一體化火焰檢測器常見故障分析
    河南科技(2014年22期)2014-02-27 14:18:12
    国产精品女同一区二区软件| 日本-黄色视频高清免费观看| 少妇人妻一区二区三区视频| 国产精品精品国产色婷婷| 在现免费观看毛片| 中文在线观看免费www的网站| 国产伦一二天堂av在线观看| 亚洲精品在线观看二区| 亚洲av成人av| 亚洲精品久久国产高清桃花| 日本一本二区三区精品| 午夜福利在线观看免费完整高清在 | 全区人妻精品视频| 色哟哟哟哟哟哟| 在线观看av片永久免费下载| 1000部很黄的大片| 国产免费一级a男人的天堂| 成人毛片a级毛片在线播放| ponron亚洲| 国产真实伦视频高清在线观看| 国产一区二区三区av在线 | 国产成人91sexporn| 日韩中字成人| 久久这里只有精品中国| 日韩制服骚丝袜av| 亚洲一级一片aⅴ在线观看| 天堂动漫精品| 欧美性感艳星| 欧美成人a在线观看| 日本欧美国产在线视频| 成年av动漫网址| 日韩国内少妇激情av| 亚洲美女黄片视频| 免费大片18禁| 国产日本99.免费观看| 国产精品野战在线观看| 91午夜精品亚洲一区二区三区| 亚洲自偷自拍三级| 1024手机看黄色片| 大又大粗又爽又黄少妇毛片口| 精品熟女少妇av免费看| 97超视频在线观看视频| 99久国产av精品国产电影| 最近最新中文字幕大全电影3| 亚洲成人av在线免费| 日本 av在线| 日日撸夜夜添| 在现免费观看毛片| 国产欧美日韩精品一区二区| 日本五十路高清| a级毛片免费高清观看在线播放| 午夜爱爱视频在线播放| 成人精品一区二区免费| av在线观看视频网站免费| 噜噜噜噜噜久久久久久91| 精品一区二区三区视频在线| 国产精品野战在线观看| 99国产极品粉嫩在线观看| a级毛片a级免费在线| 狂野欧美白嫩少妇大欣赏| 国产伦精品一区二区三区四那| 精品一区二区三区视频在线观看免费| 国国产精品蜜臀av免费| 性色avwww在线观看| 国产麻豆成人av免费视频| 亚洲在线自拍视频| 国产成人一区二区在线| 国产精品无大码| 亚洲av第一区精品v没综合| 中出人妻视频一区二区| 国产白丝娇喘喷水9色精品| 男女下面进入的视频免费午夜| 一级毛片久久久久久久久女| 一卡2卡三卡四卡精品乱码亚洲| 少妇熟女aⅴ在线视频| 日本色播在线视频| 亚洲欧美日韩卡通动漫| 99久久成人亚洲精品观看| 成人亚洲欧美一区二区av| 菩萨蛮人人尽说江南好唐韦庄 | 一进一出好大好爽视频| 亚洲av免费高清在线观看| 中文字幕久久专区| 日韩一本色道免费dvd| 久久久久久大精品| 免费看av在线观看网站| 精品福利观看| 亚洲国产欧洲综合997久久,| 一级黄片播放器| 久久久久免费精品人妻一区二区| 久久这里只有精品中国| 久久久色成人| 伦精品一区二区三区| 久久国产乱子免费精品| 18禁在线无遮挡免费观看视频 | 国产精品一区二区三区四区久久| 在线看三级毛片| 中文资源天堂在线| 日韩精品有码人妻一区| 亚洲va在线va天堂va国产| 男女那种视频在线观看| 欧美三级亚洲精品| 国产欧美日韩精品亚洲av| 熟女人妻精品中文字幕| 伦精品一区二区三区| 久久精品国产自在天天线| 少妇猛男粗大的猛烈进出视频 | 欧美区成人在线视频| 丰满的人妻完整版| 久久九九热精品免费| 久久人妻av系列| 国产一级毛片七仙女欲春2| 国产黄a三级三级三级人| 简卡轻食公司| 亚洲欧美日韩东京热| 最新中文字幕久久久久| 国产亚洲av嫩草精品影院| 天堂网av新在线| 国产高清视频在线播放一区| 搡老妇女老女人老熟妇| 级片在线观看| 99国产极品粉嫩在线观看| 在线观看美女被高潮喷水网站| 三级毛片av免费| 亚洲性久久影院| 美女免费视频网站| 亚洲aⅴ乱码一区二区在线播放| 亚洲第一电影网av| 1000部很黄的大片| 综合色丁香网| 中文字幕人妻熟人妻熟丝袜美| 色哟哟哟哟哟哟| 国产一区二区三区在线臀色熟女| 成熟少妇高潮喷水视频| 永久网站在线| av在线天堂中文字幕| 精品日产1卡2卡| av福利片在线观看| 久久精品综合一区二区三区| 欧美成人精品欧美一级黄| 精品不卡国产一区二区三区| 狂野欧美激情性xxxx在线观看| 男人狂女人下面高潮的视频| 中文亚洲av片在线观看爽| 国产一区二区在线av高清观看| 男插女下体视频免费在线播放| 精品99又大又爽又粗少妇毛片| 看黄色毛片网站| 国产午夜福利久久久久久| av在线观看视频网站免费| 国产一区二区在线av高清观看| 亚洲婷婷狠狠爱综合网| 美女高潮的动态| 男女那种视频在线观看| 亚洲经典国产精华液单| 精品一区二区免费观看| 精品人妻熟女av久视频| 色综合色国产| 久久久久久国产a免费观看| 性欧美人与动物交配| 黄色日韩在线| 国产精品精品国产色婷婷| 亚洲美女搞黄在线观看 | 简卡轻食公司| 日韩,欧美,国产一区二区三区 | 国产一区二区在线观看日韩| 精品一区二区三区视频在线| 国语自产精品视频在线第100页| 国产高清视频在线观看网站| 精品日产1卡2卡| av.在线天堂| 成人特级av手机在线观看| 晚上一个人看的免费电影| 在线天堂最新版资源| 亚洲无线在线观看| 国内久久婷婷六月综合欲色啪| 一进一出抽搐gif免费好疼| 一级毛片久久久久久久久女| 免费观看精品视频网站| 一a级毛片在线观看| 在线看三级毛片| 一个人看的www免费观看视频| 亚洲熟妇中文字幕五十中出| 亚洲av不卡在线观看| 国产成人精品久久久久久| 听说在线观看完整版免费高清| 精品久久久久久成人av| 欧美+亚洲+日韩+国产| 免费人成视频x8x8入口观看| 亚洲精华国产精华液的使用体验 | 久久韩国三级中文字幕| 看片在线看免费视频| 18禁黄网站禁片免费观看直播| 午夜老司机福利剧场| 看黄色毛片网站| 久久精品国产亚洲av香蕉五月| 亚洲欧美日韩卡通动漫| 可以在线观看毛片的网站| 国产 一区精品| 在线观看午夜福利视频| 亚洲性久久影院| 久久中文看片网| 毛片一级片免费看久久久久| 国产在线精品亚洲第一网站| 亚洲精品亚洲一区二区| 激情 狠狠 欧美| 久久精品国产亚洲网站| 中文亚洲av片在线观看爽| 最近视频中文字幕2019在线8| 国产精品久久电影中文字幕| 亚洲美女黄片视频| av女优亚洲男人天堂| 成人高潮视频无遮挡免费网站| 久久久久久久久久黄片| 欧美成人免费av一区二区三区| 午夜福利在线观看免费完整高清在 | 国产高清有码在线观看视频| 精品久久久久久久人妻蜜臀av| 男人舔女人下体高潮全视频| 韩国av在线不卡| 中文亚洲av片在线观看爽| 免费看美女性在线毛片视频| 99久久精品一区二区三区| 日韩中字成人| 日本一二三区视频观看| 欧美成人免费av一区二区三区| 在线观看免费视频日本深夜| 搡老妇女老女人老熟妇| 国产在线男女| 高清日韩中文字幕在线| 国产精品一二三区在线看| 成人特级黄色片久久久久久久| 少妇裸体淫交视频免费看高清| 精品久久久噜噜| 五月伊人婷婷丁香| 国产美女午夜福利| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲最大成人av| 中文在线观看免费www的网站| 亚洲成人精品中文字幕电影| 国产片特级美女逼逼视频| 亚洲欧美日韩东京热| 国产成人福利小说| 丝袜喷水一区| 久久久成人免费电影| 一级黄片播放器| 成人特级黄色片久久久久久久| 精品免费久久久久久久清纯| 欧美最黄视频在线播放免费| 色吧在线观看| 亚洲图色成人| 久久精品久久久久久噜噜老黄 | 在现免费观看毛片| 精品不卡国产一区二区三区| 99久久无色码亚洲精品果冻| 伊人久久精品亚洲午夜| 麻豆国产97在线/欧美| 国产av一区在线观看免费| 亚洲精品一区av在线观看| 久久国内精品自在自线图片| 三级经典国产精品| 国产高清有码在线观看视频| 国产精品99久久久久久久久| 99在线人妻在线中文字幕| 蜜桃久久精品国产亚洲av| 日产精品乱码卡一卡2卡三| 亚洲最大成人手机在线| 精品不卡国产一区二区三区| 天天躁日日操中文字幕| 久久精品国产亚洲av涩爱 | 欧美xxxx性猛交bbbb| 高清午夜精品一区二区三区 | 成年av动漫网址| 婷婷精品国产亚洲av在线| 禁无遮挡网站| 在线观看免费视频日本深夜| 久久天躁狠狠躁夜夜2o2o| 亚洲,欧美,日韩| 国产一区二区在线av高清观看| av黄色大香蕉| 日韩欧美一区二区三区在线观看| 亚洲不卡免费看| 亚洲成人精品中文字幕电影| 夜夜夜夜夜久久久久| 永久网站在线| 性色avwww在线观看| 成人高潮视频无遮挡免费网站| 日韩强制内射视频| 真人做人爱边吃奶动态| 欧美精品国产亚洲| 国产 一区 欧美 日韩| 亚洲精品日韩av片在线观看| 欧美丝袜亚洲另类| 嫩草影视91久久| 一本久久中文字幕| 在线观看66精品国产| 岛国在线免费视频观看| 国产精品乱码一区二三区的特点| 综合色丁香网| 国产免费男女视频| 在线观看美女被高潮喷水网站| 天堂av国产一区二区熟女人妻| 久久精品国产清高在天天线| av黄色大香蕉| 日日撸夜夜添| 又爽又黄a免费视频| 少妇被粗大猛烈的视频| 欧美成人精品欧美一级黄| av中文乱码字幕在线| 国产成人影院久久av| 麻豆一二三区av精品| 人人妻,人人澡人人爽秒播| av视频在线观看入口| 桃色一区二区三区在线观看| 国语自产精品视频在线第100页| 久久人人爽人人爽人人片va| 欧美中文日本在线观看视频| 夜夜看夜夜爽夜夜摸| 狠狠狠狠99中文字幕| 中文在线观看免费www的网站| 国产乱人视频| 丰满乱子伦码专区| 欧美极品一区二区三区四区| 亚洲精品日韩在线中文字幕 | 国产精品电影一区二区三区| 99在线人妻在线中文字幕| 丝袜喷水一区| 国产成年人精品一区二区| 在线播放国产精品三级| 一进一出好大好爽视频| 国产大屁股一区二区在线视频| 一a级毛片在线观看| 亚洲精品456在线播放app| 国产男靠女视频免费网站| 精品人妻熟女av久视频| 欧美+亚洲+日韩+国产| 乱系列少妇在线播放| 日本黄大片高清| 国语自产精品视频在线第100页| 久久综合国产亚洲精品| 搞女人的毛片| 69人妻影院| 尾随美女入室| 天美传媒精品一区二区| 天天一区二区日本电影三级| 女人十人毛片免费观看3o分钟| 国产精品99久久久久久久久| 亚洲七黄色美女视频| 久久久久久久久久成人| 日本a在线网址| 久久精品国产亚洲av涩爱 | 欧美色欧美亚洲另类二区| 22中文网久久字幕| 中文字幕精品亚洲无线码一区| 中文字幕av成人在线电影| av女优亚洲男人天堂| 色哟哟哟哟哟哟| 午夜精品在线福利| 91久久精品电影网| 熟女人妻精品中文字幕| 日日啪夜夜撸| 美女高潮的动态| 亚洲乱码一区二区免费版| 久久99热6这里只有精品| 日本免费一区二区三区高清不卡| 国产成人a∨麻豆精品| 欧美高清成人免费视频www| 国产亚洲91精品色在线| 99热6这里只有精品| 国产精品一区二区三区四区免费观看 | 国内精品宾馆在线| 免费无遮挡裸体视频| 69av精品久久久久久| 看免费成人av毛片| 男女视频在线观看网站免费| .国产精品久久| 欧美成人一区二区免费高清观看| 中文亚洲av片在线观看爽| 亚洲精品国产av成人精品 | 免费在线观看成人毛片| 2021天堂中文幕一二区在线观| 日本撒尿小便嘘嘘汇集6| 自拍偷自拍亚洲精品老妇| 日本黄色片子视频| 精品久久久久久久久亚洲| 特大巨黑吊av在线直播| 精品国产三级普通话版| 国产又黄又爽又无遮挡在线| 亚洲精品色激情综合| 欧美一级a爱片免费观看看| 五月伊人婷婷丁香| 麻豆乱淫一区二区| 波多野结衣高清无吗| 在线看三级毛片| 亚洲成人精品中文字幕电影| 成年av动漫网址| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲四区av| 寂寞人妻少妇视频99o| 别揉我奶头~嗯~啊~动态视频| 免费在线观看影片大全网站| 在线免费观看不下载黄p国产| 婷婷精品国产亚洲av在线| 麻豆av噜噜一区二区三区| 无遮挡黄片免费观看| 中出人妻视频一区二区| 日韩制服骚丝袜av| 亚洲在线观看片| 亚洲国产欧洲综合997久久,| 亚洲中文日韩欧美视频| 免费看美女性在线毛片视频| 成年版毛片免费区| 春色校园在线视频观看| 成人av一区二区三区在线看| 少妇熟女欧美另类| 美女免费视频网站| 国产乱人偷精品视频| 97超视频在线观看视频| 天堂av国产一区二区熟女人妻| 嫩草影院精品99| 欧美人与善性xxx| av视频在线观看入口| 亚洲av二区三区四区| 久久久久国内视频| 国产精品综合久久久久久久免费| 欧美色欧美亚洲另类二区| 国产 一区精品| 蜜桃久久精品国产亚洲av| 99热网站在线观看| 精品国内亚洲2022精品成人| av在线天堂中文字幕| 日韩,欧美,国产一区二区三区 | 亚洲av第一区精品v没综合| 欧美不卡视频在线免费观看| 禁无遮挡网站| 此物有八面人人有两片| 亚洲欧美精品综合久久99| 热99在线观看视频| 天堂网av新在线| 一级毛片电影观看 | 极品教师在线视频| 久久婷婷人人爽人人干人人爱| 国产高清三级在线| 最近手机中文字幕大全| 午夜福利在线观看免费完整高清在 | 日本黄色片子视频| 国产高清激情床上av| 日本一本二区三区精品| 狂野欧美激情性xxxx在线观看| 国产探花极品一区二区| 日韩高清综合在线| 悠悠久久av| 99热全是精品| 久久精品久久久久久噜噜老黄 | 亚洲久久久久久中文字幕| 久久中文看片网| a级一级毛片免费在线观看| 免费看美女性在线毛片视频| 亚洲精品一卡2卡三卡4卡5卡| 99久久精品国产国产毛片| 国产视频一区二区在线看| 最近手机中文字幕大全| 国产三级中文精品| 欧美成人免费av一区二区三区| 久久精品国产清高在天天线| 麻豆一二三区av精品| 一夜夜www| 在线a可以看的网站| 亚洲av免费高清在线观看| 久久欧美精品欧美久久欧美| 精品久久久久久成人av| 长腿黑丝高跟| 久久精品国产亚洲av涩爱 | 久久人妻av系列| 欧美一区二区国产精品久久精品| 日韩国内少妇激情av| 在线观看午夜福利视频| 久久精品人妻少妇| 成人亚洲精品av一区二区| 亚洲一级一片aⅴ在线观看| 午夜视频国产福利| 亚洲欧美日韩卡通动漫| 精品一区二区三区人妻视频| 桃色一区二区三区在线观看| 免费av毛片视频| 国产激情偷乱视频一区二区| 男女之事视频高清在线观看| 欧美三级亚洲精品| 夜夜夜夜夜久久久久| 日韩制服骚丝袜av| 99久久精品一区二区三区| 亚洲七黄色美女视频| 欧美三级亚洲精品| 国产亚洲欧美98| www.色视频.com| 青春草视频在线免费观看| 欧美一区二区亚洲| 国产熟女欧美一区二区| 欧美色欧美亚洲另类二区| 99久久精品热视频| 赤兔流量卡办理| 丝袜美腿在线中文| 日韩欧美 国产精品| 国产精品伦人一区二区| 丰满人妻一区二区三区视频av| 小蜜桃在线观看免费完整版高清| 99久久无色码亚洲精品果冻| 欧美一区二区精品小视频在线| 97超级碰碰碰精品色视频在线观看| 99国产极品粉嫩在线观看| 国产精品一二三区在线看| 国产av在哪里看| 亚洲国产精品成人久久小说 | 国产免费一级a男人的天堂| 久久久国产成人免费| 精品一区二区三区人妻视频| 国产欧美日韩一区二区精品| 亚洲中文字幕一区二区三区有码在线看| videossex国产| 大香蕉久久网| 在线观看美女被高潮喷水网站| 国产亚洲精品综合一区在线观看| 淫秽高清视频在线观看| 看黄色毛片网站| 亚洲最大成人av| 91狼人影院| 欧美xxxx性猛交bbbb| 1000部很黄的大片| 别揉我奶头~嗯~啊~动态视频| 久久久久久九九精品二区国产| 国产精品美女特级片免费视频播放器| 在线观看av片永久免费下载| 在线免费观看不下载黄p国产| 日日啪夜夜撸| 国产69精品久久久久777片| 午夜福利18| 国产日本99.免费观看| 午夜福利18| 午夜福利成人在线免费观看| 热99在线观看视频| 亚洲天堂国产精品一区在线| 国产成人91sexporn| 99热这里只有是精品50| 日韩三级伦理在线观看| 精品一区二区三区av网在线观看| 国产男人的电影天堂91| 搞女人的毛片| 最近在线观看免费完整版| 精品人妻视频免费看| 淫妇啪啪啪对白视频| а√天堂www在线а√下载| 身体一侧抽搐| 校园春色视频在线观看| 一级毛片电影观看 | 国产在视频线在精品| 国产一区二区三区在线臀色熟女| 国产亚洲精品久久久久久毛片| 麻豆av噜噜一区二区三区| 日韩欧美三级三区| 天天一区二区日本电影三级| 人妻少妇偷人精品九色| 草草在线视频免费看| 国产精品人妻久久久久久| 插阴视频在线观看视频| 午夜影院日韩av| 亚洲欧美日韩高清在线视频| 成人午夜高清在线视频| 精品人妻偷拍中文字幕| 精品人妻一区二区三区麻豆 | 国产在线男女| 最后的刺客免费高清国语| 国产午夜精品久久久久久一区二区三区 | 在线天堂最新版资源| 啦啦啦啦在线视频资源| 亚洲av成人av| 亚洲经典国产精华液单| 桃色一区二区三区在线观看| 国产男人的电影天堂91| 亚洲色图av天堂| 秋霞在线观看毛片| 精品乱码久久久久久99久播| 看免费成人av毛片| 热99re8久久精品国产| 色吧在线观看| 亚洲最大成人中文| 亚洲欧美中文字幕日韩二区| 国产蜜桃级精品一区二区三区| av在线亚洲专区| 在现免费观看毛片| 亚洲欧美成人综合另类久久久 | 免费人成在线观看视频色| 亚洲五月天丁香| 人人妻人人澡欧美一区二区| 国内精品久久久久精免费| 日韩av在线大香蕉| 婷婷精品国产亚洲av在线| 精品一区二区三区av网在线观看| 亚洲国产精品成人综合色| 日韩一本色道免费dvd| 老师上课跳d突然被开到最大视频| 在线观看美女被高潮喷水网站| 12—13女人毛片做爰片一| 亚洲国产精品国产精品| 国产黄色小视频在线观看| 国产精品综合久久久久久久免费| av黄色大香蕉| 国产高清有码在线观看视频| 男人舔奶头视频| 十八禁国产超污无遮挡网站| 69人妻影院| 久久欧美精品欧美久久欧美| 成人美女网站在线观看视频| 欧美成人a在线观看| 亚洲自拍偷在线| 看片在线看免费视频|