改進(jìn)YOLOv5s PCB板缺陷檢測(cè)算法

摘要：當(dāng)前PCB板缺陷檢測(cè)存在檢測(cè)效率低、漏檢或誤檢率高、檢測(cè)精度不夠等問題，以YOLOv5s為基礎(chǔ)算法，提出改進(jìn)算法YOLOv5s-DS。該改進(jìn)算法首先通過融入DSConv深度可分離卷積進(jìn)行特征提取，降低網(wǎng)絡(luò)參數(shù)計(jì)算量。其次，采用SIOU損失函數(shù)替換GIOU損失函數(shù)，提升算法精度，加快收斂速度。研究結(jié)果表明，該改進(jìn)算法有效地提升了PCB板缺陷檢測(cè)的精度和檢測(cè)速度，降低了漏檢率，為PCB板缺陷檢測(cè)提供了參考。

關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5s；YOLOv5s-DS；PCB板缺陷檢測(cè)；深度可分離卷積

一、前言

PCB的質(zhì)量取決于每條線和孔的質(zhì)量，而板上數(shù)千條線和孔中的任何一個(gè)出現(xiàn)了問題都會(huì)影響最終產(chǎn)品的質(zhì)量[1]。早期的PCB缺陷檢測(cè)主要依靠人工目測(cè)和在線儀器檢測(cè)，但這些方法通常存在成本高、效率低、誤檢率高等缺點(diǎn)，且部分檢測(cè)方法會(huì)接觸到PCB板，容易造成二次損壞，使得目前檢測(cè)難以滿足現(xiàn)代PCB板生產(chǎn)效率高、性能好的檢測(cè)要求[2]。因此，開發(fā)一種高效準(zhǔn)確的PCB缺陷檢測(cè)系統(tǒng)已經(jīng)成為當(dāng)前電路板行業(yè)亟須解決的問題。朱紅艷[3]通過對(duì)Faster RCNN進(jìn)行改進(jìn)，將可變形卷積代替普通卷積，該方法雖然能有效提高檢測(cè)速度，但還是無(wú)法滿足實(shí)時(shí)檢測(cè)的要求，且計(jì)算量較大。朱憲宇[4]通過使用K-means++聚類的方法對(duì)YOLOv4算法進(jìn)行改進(jìn)，獲取先驗(yàn)框，檢測(cè)精度較高，但小目標(biāo)漏檢率也較高。Xin H等人通過分析骨干架構(gòu)CSPDarket53并適當(dāng)更改模型超參數(shù)的設(shè)置，為YOLOv4提出了一種改進(jìn)的網(wǎng)絡(luò)模型，從而將準(zhǔn)確率提高到96.88%，但該方法訓(xùn)練速度較慢且小目標(biāo)缺陷容易漏檢。基于上述相關(guān)文獻(xiàn)研究成果，為了更好地平衡PCB缺陷檢測(cè)任務(wù)的檢測(cè)精度、檢測(cè)速度和網(wǎng)絡(luò)模型體積，本文在YOLOv5s模型的基礎(chǔ)上進(jìn)行相關(guān)改進(jìn)，提出一種改進(jìn)模型YOLOv5s-DS。首先，通過融入深度可分離卷積DSConv，使網(wǎng)絡(luò)在保證精度的情況下，大幅減少網(wǎng)絡(luò)參數(shù)的計(jì)算量，更容易部署。其次，將YOLOv5s的GIOU損失函數(shù)替換為SIoU損失函數(shù)，提升檢測(cè)精度。

二、改進(jìn)的YOLOv5s算法

（一）原始YOLOv5s目標(biāo)檢測(cè)算法

YOLOv5模型通過直接對(duì)對(duì)象定位和分類的方式進(jìn)行目標(biāo)檢測(cè)，主要由三部分組成，即骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)。根據(jù)輸入通道數(shù)和模塊的使用次數(shù)不同可分為四個(gè)版本，分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，本文選用四種模型中最小的模型YOLOv5s為基礎(chǔ)模型，該模型檢測(cè)速度快，較符合PCB板缺陷實(shí)時(shí)檢測(cè)的要求。

（二）本文改進(jìn)算法YOLOv5s-DS

雖然YOLOv5s模型在檢測(cè)精度上有很好的效果，但由于YOLOv5s參數(shù)過多，導(dǎo)致在使用時(shí)檢測(cè)速度較低，難以滿足工業(yè)上PCB板缺陷檢測(cè)的要求。因此，本文首先融入DSConv深度可分離卷積，以減少YOLOv5s的參數(shù)量。其次，引入SIOU損失函數(shù)，提高檢測(cè)精度，并將改進(jìn)后的算法稱為YOLOv5s-DSConv-SIOU算法（簡(jiǎn)稱YOLOv5s-DS算法），改進(jìn)后的算法結(jié)構(gòu)如圖1所示。

1.DSConv深度可分離卷積

深度可分離卷積（DSConv）[5]近年來(lái)因其在降低神經(jīng)網(wǎng)絡(luò)中卷積層的計(jì)算成本方面的有效性而受到廣泛關(guān)注。

深度可分離卷積與傳統(tǒng)卷積相比，它使用更少的參數(shù)獲得相似的特征提取結(jié)果。式（1）為傳統(tǒng)卷積參數(shù)的計(jì)算量，式（2）為深度可分離卷積參數(shù)的計(jì)算量。由式（3）可以看出，深度可分離卷積中的參數(shù)為普通卷積的 " "倍。

為傳統(tǒng)卷積的計(jì)算量，為深度可分離卷積的計(jì)算量， 和為輸入圖像的寬度和高度，為輸入通道數(shù)，為卷積核大小，為卷積核數(shù)。

從式（3）可以看出 的結(jié)果小于1，說(shuō)明采用深度可分離卷積之后，在特征提取方面與標(biāo)準(zhǔn)卷積提取效果差不多，但在參數(shù)量和計(jì)算量上卻有大幅度下降。因此本文采用DSConv深度可分離卷積代替原始的傳統(tǒng)卷積進(jìn)行特征提取。

2.SIOU損失函數(shù)

原始的YOLOv5s使用GIOU損失[6]作為邊界框損失函數(shù)，它考慮了真實(shí)框和預(yù)測(cè)框之間的距離、形狀以及的損失，但是該邊界框損失函數(shù)沒有考慮真實(shí)框和預(yù)測(cè)框之間的方向損失。GIOU損失函數(shù)沒有解決方向不匹配問題，導(dǎo)致訓(xùn)練困難、收斂速度慢和效率低下。因此本文使用由SIOU損失函數(shù)代替原始邊界框損失函數(shù)，SIOU loss與CIOU loss相比，引入了方向損失，更合理地表示了真實(shí)框和預(yù)測(cè)框之間的損失，從而增強(qiáng)了所提出的改進(jìn)算法在PCB板缺陷檢測(cè)任務(wù)上的性能。

SIOU損失由四個(gè)成本組成： 、角度、距離、形狀，計(jì)算如下：

其中1-指的是成本，表示形狀成本，表示引入角度的距離成本。、角度成本、距離成本和形狀成本的定義和計(jì)算公式在下文依次解釋。

指的是真實(shí)框和預(yù)測(cè)框之間的聯(lián)合比率的交集，描述了它們的重合程度。它的定義如下：

其中和分別代表預(yù)測(cè)框區(qū)域和真實(shí)框區(qū)域。

角度成本的定義如下：

其中 表示水平線與連接預(yù)測(cè)框和真實(shí)框中心點(diǎn)的線之間的夾角。?指的是真實(shí)框和預(yù)測(cè)框中心點(diǎn)之間高度差值。指的是真實(shí)框和預(yù)測(cè)框中心點(diǎn)距離差值。

在角度成本定義的基礎(chǔ)上重新定義了距離成本，如下式：

其中（ ）表示真實(shí)框的中心點(diǎn)坐標(biāo)，而（，）表示預(yù)測(cè)框的中心點(diǎn)坐標(biāo)。和?分別表示預(yù)測(cè)框和真實(shí)框的最小閉包邊界框的寬度和高度。表示考慮真實(shí)框和預(yù)測(cè)框中心點(diǎn)之間角度大小的距離成本。

形狀成本：

其中（，?）和（，?）分別表示預(yù)測(cè)框和真實(shí)框的寬度和高度。表示控制損失函數(shù)對(duì)形狀成本的關(guān)注程度。為了避免過分關(guān)注形狀成本來(lái)減少預(yù)測(cè)框的移動(dòng)，在這項(xiàng)工作中將的值設(shè)置為4，在建議的值范圍內(nèi)根據(jù)Gevorgyan （2022），∈[2，6]。

三、實(shí)驗(yàn)與結(jié)果分析

（一）實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本文采用的實(shí)驗(yàn)平臺(tái)為Windos10系統(tǒng)和具有12G顯存的NVIDIA GeForce RTX 3060 顯卡。實(shí)驗(yàn)環(huán)境為PyTorch 1.8.0 框架、CUDA11.0和CUDNN 8.0.4深度神經(jīng)網(wǎng)絡(luò)加速庫(kù)用于模型開發(fā)和訓(xùn)練。

本文在訓(xùn)練過程中，用于訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集按照7：2：1的比例自動(dòng)隨機(jī)分配，且利用余弦退火優(yōu)化方法更新學(xué)習(xí)率和網(wǎng)絡(luò)權(quán)重參數(shù)。在訓(xùn)練時(shí)，采用Mosaic數(shù)據(jù)增強(qiáng)（將四張?jiān)紙D像合并為一張圖像），并設(shè)置每一步使用Mosaic數(shù)據(jù)增強(qiáng)的概率為50%。訓(xùn)練時(shí)其他超參數(shù)設(shè)置如下：momentum（動(dòng)量）為0.937，lr0（學(xué)習(xí)率）為0.01，batch-size（批量大?。?32，epoch（迭代次數(shù)）設(shè)置為400輪，標(biāo)準(zhǔn)圖像輸入尺寸設(shè)置為 640×640。

（二）數(shù)據(jù)集介紹

數(shù)據(jù)集來(lái)自北京智能機(jī)器人開放實(shí)驗(yàn)室PCB板數(shù)據(jù)集，圖像的像素值為2777×2138，缺陷大小占圖片像素大小的0.24%，該數(shù)據(jù)集一共693張含缺陷的PCB板圖像，含漏孔、鼠咬、開路、短路、雜散、雜銅這六類缺陷。其每個(gè)類別圖片張數(shù)分別為115、115、116、116、115和116，通過每個(gè)類別圖片張數(shù)來(lái)看，該數(shù)據(jù)集較為均衡。

（三）評(píng)價(jià)指標(biāo)

本文采用的性能評(píng)價(jià)由四個(gè)指標(biāo)評(píng)估：準(zhǔn)確度P（precision）、R（recall）、F1和mAP（mean average precision）、浮點(diǎn)運(yùn)算（FLOPs）。其中P、R、F1、mAP公式分別是：

是網(wǎng)絡(luò)模型正確檢測(cè)到的目標(biāo)數(shù)量；是網(wǎng)絡(luò)模型錯(cuò)誤檢測(cè)到的目標(biāo)數(shù)量；是網(wǎng)絡(luò)模型未檢測(cè)到的目標(biāo)數(shù)量；表示總類別數(shù)；表示單個(gè)類別的平均精度，的公式為：

浮點(diǎn)運(yùn)算（）公式為：

其中，表示卷積的輸入通道數(shù)，表示卷積的輸出通道數(shù)，K表示卷積核的大小。

（四）性能對(duì)比

1.消融實(shí)驗(yàn)

為了驗(yàn)證DSConv深度可分離卷積、SIOU損失函數(shù)對(duì)算法的影響，設(shè)計(jì)消融實(shí)驗(yàn)來(lái)驗(yàn)證，具體通過設(shè)計(jì)三組實(shí)驗(yàn)對(duì)不同的改進(jìn)進(jìn)行分析，其余超參數(shù)一致，算法性能如表1所示。

從表1可以看出，YOLOv5s-S算法在YOLOv5s算法基礎(chǔ)上改進(jìn)成SIOU損失函數(shù)，其F1提升了1.9%，mAP提升了2.4%，模型大小浮點(diǎn)運(yùn)算（）和檢測(cè)速度（fps）保持不變，說(shuō)明運(yùn)用SIOU損失函數(shù)替代GIOU損失函數(shù)時(shí)，可以有效提升F1和mAP，且對(duì)檢測(cè)速度和模型大小無(wú)影響。YOLOv5s-DS算法在YOLOv5s-S算法基礎(chǔ)上融入DSConv深度可分離卷積，其F1提升了0.5%，mAP提升了0.5%，模型大小浮點(diǎn)運(yùn)算（）減少了0.9和檢測(cè)速度增加了6fps，說(shuō)明融入DSConv深度可分離卷積在保證F1和mAP性能的情況下，可以有效降低浮點(diǎn)運(yùn)算，提升檢測(cè)速度。

為了更方便地看出訓(xùn)練過程，將mAP進(jìn)行打印，打印結(jié)果如圖2所示。從圖2中收斂速度來(lái)看，YOLOv5s-S和YOLOv5s-DS算法在算法收斂上相差不大，而與YOLOv5s算法相比，收斂速度明顯變快。因此，可以證明運(yùn)用SIOU損失函數(shù)替代GIOU損失函數(shù)時(shí)，可以加快收斂速度、提高訓(xùn)練效率。從mAP的數(shù)值來(lái)看，可以發(fā)現(xiàn)YOLOv5s-DS算法的mAP值最大，性能最優(yōu)。

2.不同算法對(duì)比

為了進(jìn)一步驗(yàn)證本文改進(jìn)算法的穩(wěn)定性和先進(jìn)性，將本文改進(jìn)算法與目前主流的目標(biāo)檢測(cè)算法進(jìn)行對(duì)比，通過采用目前主流算法（Faster RCNN、SSD、YOLOv3）對(duì)本文采用的PCB板數(shù)據(jù)集進(jìn)行訓(xùn)練，其余的超參數(shù)與本文設(shè)置的超參數(shù)一致，訓(xùn)練得出的結(jié)果如表2所示。

（1）從模型大小來(lái)看，可以發(fā)現(xiàn)本文改進(jìn)算法YOLOv5s-DS的模型大小最小為47M，其余的模型大小從小到大依次為SSD、YOLOv3、Faster RCNN。因此，從模型大小角度來(lái)看，YOLOv5s-DS算法模型最小，最容易部署，適用于算力不太高的計(jì)算機(jī)設(shè)備。從檢測(cè)速度和訓(xùn)練速度來(lái)看，YOLOv5s-DS檢測(cè)速度和訓(xùn)練速度最快，其余的模型檢測(cè)速度和訓(xùn)練速度從快到慢依次為YOLOv3、SSD、Faster RCNN，且其中Faster RCNN的檢測(cè)速度過慢，無(wú)法滿足PCB板缺陷檢測(cè)的實(shí)時(shí)檢測(cè)要求。因此，從檢測(cè)速度和訓(xùn)練速度角度來(lái)看，YOLOv5s-DS算法檢測(cè)速度和訓(xùn)練速度最快，最能滿足PCB板缺陷檢測(cè)的工業(yè)要求。

（2）從精度上看，YOLOv5s-DS相比Faster RCNN在F1提升了16.3%，mAP上提升了16.7%。相比SSD在F1提升了32.1%，mAP上提升了31.6%，且SSD精度過低無(wú)法滿足PCB板缺陷檢測(cè)的精度要求。相比YOLOv3在F1提升了18.2%，mAP上提升了17.7%。因此，從精度來(lái)看，YOLOv5s-DS算法精度最高，最能滿足PCB板缺陷檢測(cè)的精度要求。

四、結(jié)論

通過對(duì)YOLOv5s算法融入DSConv深度可分離卷積和使用GIOU損失函數(shù)替換為SIoU損失函數(shù)來(lái)進(jìn)行改進(jìn)。改進(jìn)算法在保證一定精度的情況下可大幅減少網(wǎng)絡(luò)參數(shù)計(jì)算，且采用SIOU損失函數(shù)引入了方向損失，更合理地表示了真實(shí)框和預(yù)測(cè)框之間的損失，從而增強(qiáng)了該改進(jìn)算法對(duì)PCB板缺陷檢測(cè)的性能。通過最終檢測(cè)效果的驗(yàn)證，該算法模型小、參數(shù)少，易于部署，在實(shí)際檢測(cè)過程中，檢測(cè)精度更高，檢測(cè)速度更快且有效降低YOLOv5s算法漏檢率。

參考文獻(xiàn)

[1]Li J， Gu J， Huang Z， et al. Application research of improved YOLO V3 algorithm in PCB electronic component detection[J]. Applied Sciences， 2019， 9（18）： 3750-3755.

[2]Lin Y L， Chiang Y M， Hsu H C. Capacitor detection in PCB using YOLO algorithm[C]//2018 International Conference on System Science and Engineering （ICSSE）. IEEE， 2018： 1-4.

[3]朱紅艷. 基于深度學(xué)習(xí)的PCB裸板表面缺陷檢測(cè)研究[D]貴陽(yáng)：貴州大學(xué)，2022.

[4]朱憲宇，熊婕，王檸莎，等.基于改進(jìn)YOLOv4的PCB裸板缺陷檢測(cè)方法研究[J].工業(yè)控制計(jì)算機(jī)，2021，34（09）：39-40+45.

[5]Nascimento M G， Fawcett R， Prisacariu V A. DSConv： efficient convolution operator[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019： 5148-5157.

[6]Chen H， Qi W. Object recognition based on improved YOLOv5[C]//Second Guangdong-Hong Kong-Macao Greater Bay Area Artificial Intelligence and Big Data Forum （AIBDF 2022）. SPIE， 2023， 12593：146-151.

作者單位：廣東培正學(xué)院數(shù)字科學(xué)與計(jì)算機(jī)學(xué)院

■ 責(zé)任編輯：周航