基于YOLOv5的輕量化PCB缺陷檢測

王恒濤,張 上*,張朝陽，劉展威

(1.三峽大學 湖北省建筑質(zhì)量檢測裝備工程技術研究中心，湖北 宜昌 443002；2.三峽大學 計算機與信息學院，湖北 宜昌 443002；3.三峽大學 電氣與新能源學院，湖北 宜昌 443002)

0 引言

印刷電路板(Printed Circuit Board，PCB)受限于當前的制造工藝與技術，在生產(chǎn)過程中可能會存在短路、斷路、毛刺、焊點缺焊、缺口和余銅等缺陷。在PCB缺陷檢測中面臨著如下難題：① PCB缺陷種類較多，并且缺陷的大小、形態(tài)復雜；② PCB出現(xiàn)缺陷的區(qū)域小，難以對其進行精確的捕捉；③ PCB背景單一，缺陷特征與非缺陷特征相似度高，難以對其進行分辨[1]。

傳統(tǒng)PCB缺陷檢測為人工檢測和電光學檢測。Kim等[2]通過小波變換進行圖像壓縮，節(jié)省PCB缺陷檢測所需的內(nèi)存和計算量。Gaidhane等[3]使用傳統(tǒng)機器學習算法進行PCB缺陷檢測。Annaby等[4]設計了一套低復雜度NNC的傳統(tǒng)機器視覺方案來解決缺陷檢測。Tsai等[5]使用傅里葉圖像重建方法進行小缺陷的檢測。Cho等[6]使用超聲激光發(fā)熱成像進行實時缺陷檢測。傳統(tǒng)檢測方法存在檢測效率低下和漏檢率高等缺點。隨著人工智能的發(fā)展，基于深度學習的缺陷檢測形成了一套無接觸的自動檢測方法，成為當下缺陷檢測的熱點，并且具有檢測適應能力強、泛化能力強等優(yōu)點?；谏疃葘W習的目標檢測算法分為2類：雙階段檢測算法和單階段檢測算法。雙階段檢測算法通過先進行候選區(qū)域提取目標建議框，再進行目標的分類與具體位置的預測，如Mask R-CNN[7]，F(xiàn)ast R-CNN[8]和Faster R-CNN[9]，具有檢測精度高、漏檢率低等優(yōu)點，但檢測速度慢、計算復雜，難以達到實時性要求。單階段檢測算法將候選區(qū)域的特征提取與預測框的定位融合在一起，直接進行目標類別的判斷和檢測框的定位，如YOLO[10]，YOLO900[11]，SSD[12]，YOLOv3[13]，YOLOv4[14]和YOLOv5，具有檢測速度快、計算量較少等優(yōu)點，能夠滿足實時檢測的需求。王永利等[15]使用卷積神經(jīng)網(wǎng)絡進行PCB缺陷檢測。何國忠等[16]使用改進版YOLOv4進行PCB缺陷檢測。蔣子敏等[17]使用輕量級網(wǎng)絡進行PCB芯片中文字符的識別。

當前，PCB缺陷檢測面臨著多種難題，因此，為了更好地對其進行缺陷檢測，本文貢獻如下：

① 實現(xiàn)四尺度檢測，提高深層語義與低層語義的信息融合，并且對預選框進行調(diào)整，提高模型小目標檢測能力。

② 對模型進行剪枝，使用FPGM算法對YOLOv5模型進行剪枝，降低模型的容量和計算量，提高檢測速度。

③ 使用聚類和遺傳學習算法對模型錨框進行調(diào)整，促進模型檢測效果，提高模型在訓練過程中的收斂速度。

④ 在模型中引入Coordinate Attention(CA)[18]注意力機制，部署于主干網(wǎng)絡，調(diào)整模型在空間和通道信息提取的方式。

1 YOLOv5網(wǎng)絡

YOLOv5是一種單階段檢測算法，一次性輸出預測框的位置和類別置信度，擁有極快的檢測速度和較高的檢測精度。

YOLOv5算法由4部分組成：第1部分為輸入層，主要實現(xiàn)數(shù)據(jù)訓練前預處理，主要功能有Mosaic數(shù)據(jù)增強、自適應錨框計算和自適應圖片縮放；第2部分為主干網(wǎng)絡(Backbone)，主要實現(xiàn)目標特征的提取，由Focus結(jié)構和CSP結(jié)構組成；第3部分為頸部網(wǎng)絡(Neck)，主要實現(xiàn)目標特征的收集，由FPN+PAN結(jié)構組成；第4部分為檢測層(Prediction)，主要用于預測信息損失部分。

原始YOLOv5模型適用于COCO數(shù)據(jù)集，在檢測大目標時具有明顯的優(yōu)勢。而PCB缺陷的檢測目標大多為小目標，為此，需要在PCB缺陷目標檢測任務上對原始模型進行改進。

2 輕量化PCB缺陷檢測算法

2.1 注意力機制

CA注意力機制將位置信息融合到通道信息中。CA在捕獲通道特征的同時，還進行方向和位置的信息捕捉。因此，CA注意力機制能更加精準地定位和識別圖像中的重要信息。CA注意力機制如圖1所示，由2部分組成。第1部分為坐標信息嵌入。圖像輸入注意力機制后，池化層沿著水平和垂直方向進行編碼，分別得到水平和垂直方向的特征圖。然后將特征圖進行拼接，利用1×1卷積函數(shù)得到中間特征圖。第2部分為坐標信息特征圖生成。沿著空間維度分解2個張量，分別沿水平和垂直方向進行卷積和激活函數(shù)處理，將2個方向的輸出進行融合。

圖1 CA注意力機制

使用CA注意力機制能夠在捕獲位置信息的同時對通道信息進行捕獲，而且CA注意力的計算量較小。

2.2 FPGM算法

基于幾何中值的卷積神經(jīng)網(wǎng)絡濾波剪枝(FPGM)算法[19]是一種通過修剪冗余濾波器的模型壓縮方式，其主要思想是利用可代替性來進行模型特征的修剪，修剪掉的濾波器均為離幾何中心最近的。FPGM不再根據(jù)范數(shù)作為裁剪的標準，而是根據(jù)過濾器的可替代性確定裁剪規(guī)則。FPGM原理如圖2所示，相較于傳統(tǒng)剪枝方式，F(xiàn)PGM保留了更多的特征信息。

圖2 FPGM原理

FPGM算法如下。

FPGM算法描述Preparations:input training data:Xgiven pruning rate R1:Initialize:model parameter W={W(i),0 ≤ i ≤ L}2:forepoch = 1;epoch ≤ epoch_max;epoch ++do3: Update the model parameter W based on X4: for i = 1;i ≤ L;i ++ do5: Calculate:the sum of N Euclidean distances6: end for7: Find the relatively small number of N×R filters8: Zeroized the selected filter gradient9: end for10:Obtain the pruning model with zeroing model W# from W11:Remove zero parameters from the model W?Output:The pruning model and its parameters W?

結(jié)合FPGM算法描述，YOLOv5實現(xiàn)剪枝的具體流程如圖3所示。首先，對YOLOv5模型和參數(shù)進行設定，給定剪枝率R。然后，不斷迭代卷積核歐式距離之和的計算、排序和梯度置零，直至模型收斂或訓練終止，得到待去零剪枝模型。最后，進行去零操作，包括全零卷積核、冗余通道和BN層參數(shù)冗余數(shù)值，得到完整去零剪枝模型。

圖3 YOLOv5實現(xiàn)FPGM流程

2.3 四尺度檢測

YOLOv5中使用三尺度檢測，尺度大小為20 pixel×20 pixel,40 pixel×40 pixel與80 pixel×80 pixel,這種檢測尺度適用于檢測目標較大的情況。而PCB缺陷的形態(tài)各異，模型在訓練過程中會丟失較小的目標區(qū)域信息，導致錯檢與漏檢率提高。

為了解決原模型小目標漏檢的難題，本文算法在YOLOv5的檢測層中增加160 pixel×160 pixel檢測尺度。四尺度檢測結(jié)構如圖4所示(單位：pixel)。

圖4 四尺度檢測結(jié)構

主要改進策略為：在特征提取層增加卷積層與上采樣層，然后將2倍上采樣層與160 pixel×160 pixel特征層進行融合,以此提高低層語義與深層語義的連接與融合，提高模型小檢測能力。

相較于YOLOv5算法，本文的四尺度檢測算法充分考慮了淺層特征信息，降低了卷積帶來的小目標區(qū)域特征信息丟失。6個類別的目標檢測效果均有顯著提高，提高了召回率，降低了漏檢率。

2.4 錨框參數(shù)優(yōu)化

錨框的設定存在著較大的人為因素，YOLOv5中加入了自適應錨定框，但存在觸發(fā)機制。為了能夠更好地進行訓練，提高模型精度，在訓練前對錨框進行k均值聚類和遺傳學習算法處理，對數(shù)據(jù)集進行分析，獲得最適合的預設錨定框。

錨定框分配如表1所示，針對小目標漏檢問題，使用自適應錨定框機制調(diào)整錨框。不但調(diào)整原有3類錨框的尺寸，而且增加(8，8),(13，13),(17，11),提高小目標檢測精度。通過實驗，使用上述錨框不僅可以提高訓練收斂速度，節(jié)省訓練時間，而且可以小幅度提高精度。

表1 錨定框分配

2.5 改進后模型結(jié)構

改進后模型結(jié)構如圖5所示，為了能夠精準地定位檢測區(qū)域，提高準確率，對網(wǎng)絡結(jié)構進行了2個改進：增加CA注意力機制和四尺度檢測機制。在主干網(wǎng)絡每一次下采樣后增加了CA注意力模塊，對主干網(wǎng)絡的特征信息提取方式進行調(diào)整，優(yōu)化其信息提取能力。設計四尺度檢測機制，擴大檢測范圍，增加160 pixel×160 pixel檢測尺度，增加深層語義信息與淺層語義的融合，提高小目標檢測能力。

圖5 改進后YOLOv5網(wǎng)絡結(jié)構

3 實驗及結(jié)果分析

3.1 PCB缺陷檢測數(shù)據(jù)集

本文采用PCB缺陷檢測公開數(shù)據(jù)集[20]進行算法驗證。該數(shù)據(jù)集由北京大學智能機器人開放實驗室發(fā)布，原始數(shù)據(jù)共693張，6個類別。由于原數(shù)據(jù)集數(shù)量過少，故對其進行數(shù)據(jù)增強操作，將原數(shù)據(jù)進行裁剪、鏡像和亮度調(diào)節(jié)操作，擴充后共有9 702張圖片。數(shù)據(jù)集劃分如表2所示。

表2 數(shù)據(jù)集劃分

3.2 實驗結(jié)果與分析

基準算法與改進算法在PCB缺陷數(shù)據(jù)集的指標對比如表3所示。從數(shù)據(jù)上看，模型使用四尺度和融入CA注意力機制會增加計算量，降低推理速度，但平均檢測精度有所提高，平均精度最高可達99.06%。模型使用不同的輸入尺寸，獲得的檢測效果有較大差別。隨著輸入尺寸的增加，檢測效果在不斷提升，但檢測速度在下降。模型隨著剪枝率的增加，計算量、參數(shù)量和模型體積均呈線性降低；推理時間不斷降低的同時精度有所降低，但帶來的影響較小，在剪枝率小于30%時，平均精度僅下降1%左右；在剪枝率小于70%的情況下，模型的平均精度仍高于90%。剪枝率和輸入尺寸的改變均會影響推理速度，輸入尺寸的增加會導致推理時間的增加。隨著剪枝率的增加，推理時間不斷降低，但在輸入尺寸為640 pixel時，剪枝率超過60%后，模型的推理時間降低速度變緩，基本保持不變。

表3 基準算法與改進算法在PCB缺陷檢測數(shù)據(jù)集的指標對比

如表4所示，在公開PCB缺陷檢測數(shù)據(jù)集上，本文算法對平均精度、模型體積和推理速度均有提高。在僅考慮精度的情況下(無剪枝)，mAP最高為99.06%，相比SSD，YOLOv4和YOLOv5s算法分別提高了7.78%，1.95%和5.72%。在僅考慮模型體積和推理速度的情況下(剪枝率為90%)，模型容量最低為0.563 MB，為SSD模型的0.57%,YOLOv4的0.23%，YOLOv5s的3.91%，模型體積大幅降低。從檢測速率上來看，本文算法的檢測速率優(yōu)于YOLOv5，YOLOv4和SSD算法，推理速度可達88.9幀/秒，分別提高了20.8%，62.3%和39.9%。

表4 算法對比

3.3 實驗效果與分析

本文在YOLOv5和改進版YOLOv5算法上的檢測效果如圖6和圖7所示，依次為毛刺、缺口、余銅、開路、漏焊和短路檢測效果。

圖6 YOLOv5檢測效果

圖7 改進后檢測效果

由圖6和圖7可以看出，本文改進版模型在6個類別中均比原YOLOv5模型有較大的改進。改進版模型可檢測出更多的缺陷且錯檢率極低。綜上分析，本文改進版模型漏檢率低、誤檢率低、查全率高、準確率高。

4 結(jié)束語

PCB缺陷人為檢測難度大且成本高。為實現(xiàn)精確的PCB缺陷檢測，本文從網(wǎng)絡結(jié)構入手，通過增加檢測層、調(diào)整模型感受野范圍，提高算法對小缺陷目標的檢測能力。實現(xiàn)剪枝算法與模型的融合，通過FPGM對改進后模型進行輕量化處理，使模型的體積和計算量大幅降低，模型體積可壓縮至0.56 MB，計算量降至0.9 GFLOs。通過增加注意力機制，調(diào)整模型空間和通道的信息提取方式，在公開PCB缺陷數(shù)據(jù)集上對本文的目標檢測算法進行了驗證，在提高精度的同時，能夠提高模型的推理速度，使本文模型具有實時性高、性能穩(wěn)定和魯棒性高等特點。相較于大部分PCB缺陷檢測算法，本文算法在平均精度、體積和檢測速度等方面均取得了不錯的效果。