随着电子设备的广泛应用,印刷电路板(Printed Circuit Board,PCB)在电子制造行业中具有重要意义.然而,由于制造过程中的不完美和环境因素的干扰,PCB上可能存在微小的缺陷.因此,开发高效准确的缺陷检测算法对于确保产品质量至关重要.针对...随着电子设备的广泛应用,印刷电路板(Printed Circuit Board,PCB)在电子制造行业中具有重要意义.然而,由于制造过程中的不完美和环境因素的干扰,PCB上可能存在微小的缺陷.因此,开发高效准确的缺陷检测算法对于确保产品质量至关重要.针对PCB微小缺陷检测问题,本文提出了一种基于多维注意力机制的高精度PCB微小缺陷检测算法.为降低网络的模型参数量和计算量,引入部分卷积(Partial Convolution,PConv),将ELAN(Efficient Layer Aggregation Network)模块设计为更加高效的P-ELAN,同时,为增强网络对微小缺陷的特征提取能力,引入多维注意力机制(Multi-Dimensional Attention Mechanism,MDAM)的全维动态卷积(Omni-dimensional Dynamic Convolution,ODConv)并结合部分卷积,设计了POD-CSP(Partial ODconv-Cross Stage Partial)和POD-MP(Partial ODconv-Max Pooling)跨阶段部分网络模块,提出了OD-Neck结构.最后,本文基于(Youo Only Look Once version 7,YOLOv7)提出了对小目标更加高效的YOLO-POD模型,并在训练阶段采用一种新颖的Alpha-SIoU损失函数对网络进行优化.实验结果表明,YOLO-POD的检测精确率和召回率分别达到了98.31%和97.09%,并在多个指标上取得了领先优势,尤其是对于更严格的(mean Average Precision at IoU threshold of 0.75,mAP75)指标,比原始的YOLOv7模型提高28%.验证了YOLO-POD在PCB缺陷检测性能中具有较高的准确性和鲁棒性,满足高精度的检测要求,可为PCB制造行业提供有效的检测解决方案.展开更多
针对钢材表面缺陷检测中小目标缺陷检测效果不理想、特征提取不充分的问题,以YOLOv5算法为基础,提出一种YOLOv5s-ADW算法。将自注意力与卷积混合模块(a mixed model of self-attention and convolution,ACmix)融入主干网络层,增强模型...针对钢材表面缺陷检测中小目标缺陷检测效果不理想、特征提取不充分的问题,以YOLOv5算法为基础,提出一种YOLOv5s-ADW算法。将自注意力与卷积混合模块(a mixed model of self-attention and convolution,ACmix)融入主干网络层,增强模型的特征敏感度;在特征融合层中加入可变形大内核注意力机制(deformable large kernel attention,D-LKA),增强模型对图像中不规则缺陷的捕捉能力;将原损失函数替换为Wise-IoU损失函数,降低数据集中低质量示例对模型检测效果的影响并提升小目标缺陷检测能力,在NEU-DET上进行实验验证。实验验证结果表明:YOLOv5s-ADW算法的平均精度均值(mean average precision,mAP)达到88.3%,相较原始模型提升了14.4%;小目标缺陷和漏检率高的缺陷平均精度(average precision,AP)也有较大提升,相比其他主流算法,能够更好解决上述问题。展开更多
文摘随着电子设备的广泛应用,印刷电路板(Printed Circuit Board,PCB)在电子制造行业中具有重要意义.然而,由于制造过程中的不完美和环境因素的干扰,PCB上可能存在微小的缺陷.因此,开发高效准确的缺陷检测算法对于确保产品质量至关重要.针对PCB微小缺陷检测问题,本文提出了一种基于多维注意力机制的高精度PCB微小缺陷检测算法.为降低网络的模型参数量和计算量,引入部分卷积(Partial Convolution,PConv),将ELAN(Efficient Layer Aggregation Network)模块设计为更加高效的P-ELAN,同时,为增强网络对微小缺陷的特征提取能力,引入多维注意力机制(Multi-Dimensional Attention Mechanism,MDAM)的全维动态卷积(Omni-dimensional Dynamic Convolution,ODConv)并结合部分卷积,设计了POD-CSP(Partial ODconv-Cross Stage Partial)和POD-MP(Partial ODconv-Max Pooling)跨阶段部分网络模块,提出了OD-Neck结构.最后,本文基于(Youo Only Look Once version 7,YOLOv7)提出了对小目标更加高效的YOLO-POD模型,并在训练阶段采用一种新颖的Alpha-SIoU损失函数对网络进行优化.实验结果表明,YOLO-POD的检测精确率和召回率分别达到了98.31%和97.09%,并在多个指标上取得了领先优势,尤其是对于更严格的(mean Average Precision at IoU threshold of 0.75,mAP75)指标,比原始的YOLOv7模型提高28%.验证了YOLO-POD在PCB缺陷检测性能中具有较高的准确性和鲁棒性,满足高精度的检测要求,可为PCB制造行业提供有效的检测解决方案.
文摘针对钢材表面缺陷检测中小目标缺陷检测效果不理想、特征提取不充分的问题,以YOLOv5算法为基础,提出一种YOLOv5s-ADW算法。将自注意力与卷积混合模块(a mixed model of self-attention and convolution,ACmix)融入主干网络层,增强模型的特征敏感度;在特征融合层中加入可变形大内核注意力机制(deformable large kernel attention,D-LKA),增强模型对图像中不规则缺陷的捕捉能力;将原损失函数替换为Wise-IoU损失函数,降低数据集中低质量示例对模型检测效果的影响并提升小目标缺陷检测能力,在NEU-DET上进行实验验证。实验验证结果表明:YOLOv5s-ADW算法的平均精度均值(mean average precision,mAP)达到88.3%,相较原始模型提升了14.4%;小目标缺陷和漏检率高的缺陷平均精度(average precision,AP)也有较大提升,相比其他主流算法,能够更好解决上述问题。
