【基于YOLOv5的PCB板缺陷检测探究文献综述4600字】

基于YOLOv5的PCB板缺陷检测研究国内外文献综述目录TOC\o"1-1"\h\u28386基于YOLOv5的PCB板缺陷检测研究国内外文献综述 129777关键词：PCB板；缺陷检测；YOLOv5 120883一、国内研究现状 14556二、国外研究现状 510006三、研究述评 6摘要：目前电子产品质量问题很多都是PCB板缺陷造成的，因此提高PCB板检测水平对于提高电子产品质量具有重要意义。目前，国外关于PCB板缺陷检测早于国内，虽然国内关于该领域的研究较晚，但是也已经出现了很多研究成果。目前国内外就PCB板缺陷检测，主要通过改进算法，或者深度学习算法等对PCB板缺陷检测进行了具体实验，以此达到减少PCB板缺陷的目的。据此，本文对PCB板缺陷检测相关研究进行综述总结，希望能给相关研究提供点参考。关键词：PCB板；缺陷检测；YOLOv5一、国内研究现状关于该课题的研究，国内学者开展的研究主要集中在最近几年。有学者专门围绕PCB板缺陷检测研究现状进行。例如吴一全（2022）等学者的研究中，首先综述了传统图像处理方式下PCB缺陷检测方法，总结出众多学者研究意见，如Tsai提出图像对齐E-M方法来检测PCB质量，相对于传统NCC采用窗口遍历全图，本文方法仅需要对待测图像窗口和模板保持同一位置，降低计算成本，并且本文算法对于旋转角度变化较为灵敏，加入搜索旋转角度计算步骤。然后作者通过实验分析对比了几种常用于PCB缺陷检测的特征点提取方法，包括高斯混合建模法、小波滤波法及边缘检测法等。其中，小波包分解能有效去除噪声干扰。之后在2019年Tsai等提出一种全局傅里叶图像重建方法来发现并定位PCB,IC等非周期模式图像的细小缺陷，改善了传统模式匹配需要依赖于局部像素而傅里叶变换只适用于周期纹理的现状，同时克服了转动问题且对光照变化不灵敏，能够发现1像素宽度较小的瑕疵。其次，笔者对基于机器学习PCB缺陷检测方法进行详细描述，分别从传统机器学习检测PCB缺陷以及基于深度学习检测PCB缺陷两方面梳理学者的研究视角，如考虑到PCB缺陷小、对比度低等问题，Li等提出扩展FPN检测模型，将上层和下层语义信息整合在一起，同时引入焦损函数。实验证明，所提方法可移植性较好，准确率达96.0%,但是它在手工标注PCB缺陷数据集上尽管平均精度有所提高，当面临实际工业生产（噪声干扰和曝光），网络性能也并非最优。此外，本文还介绍了几种常用的机器学习模型：支持向量机、神经网络以及随机森林等，这些模型可以很好地识别出不同类型的PCB缺陷。在此基础上，对数据集和评价指标的视角进行分析。最后笔者从传统图像处理方式以及机器学习这两个主要维度对PCB缺陷检测方法进行概述。在我们将PCB缺陷检测算法进行分类的基础上，演示了几种最前沿机器学习算法对PCBDefect数据集进行检测的效果。陈殊（2016）提出，PCB的质量水平对电子产品的品质有着重要的影响，所以对PCB的缺陷检测是非常必要的，笔者以PCB缺陷的快速实现为出发点，分析了目前在PCB生产中所运用的以图像处理为核心的缺陷检测技术，理解该技术的工作原理和系统结构，论述该技术的重要性。王家宏（2017）调研得出，电子工程以及相关的产品越来越多，这其中关于线路板的应用就有非常大的疑问，这其中较为常见的疑问便是短路或断路，所以说，要想更好地避免这一疑问的出现就必须要有缺陷检测，目前，许多电子检验企业，许多产品也都可以拥有自动化的检测技术，许多都仅仅依靠双眼来直观地做出判断，这一方法并不精准，而且生产效率非常低下，现在科技的进步导致图像处理技术的提高，针对这一现象，笔者就针对这一现象做了一些详细的阐述。卢荣胜（2018）在智能制造业中基于表面缺陷的在线自动检测的应用背景下，对自动光学（视觉）检测（以下简称自动光学检测、AOI）技术进行了系统的总结。在分析国内外研究现状的基础上，提出了该领域目前存在的问题及发展方向，并介绍了一些典型系统实例。最后指出：随着科学技术的不断发展，其将会得到更加广泛地推广应用。内容包括AOI技术基本原理，光学成像方方法，系统集成关键技术，图像处理和缺陷分类方法。综述了AOI系统集成的关键技术包括视觉照明技术，大视场高速成像技术，分布式高速图像处理技术，精密传输与定位技术以及网络化控制技术；AOI表面缺陷主要光学成像方法基本光学原理，作用及应用场合；AOI图像处理方法包括表面缺陷检测，缺陷几何特征定义，特征识别及分类算法等；AOI图像特征识别及分类方法包括周期纹理表面缺陷图像纹理背景去除方法以及复杂及随机纹理表面缺陷深度学习检测、识别及分类。王恒涛（2020）等对PCB缺陷的检测提出了误检，漏检现象严重的要求。提出了基于YOLOv5轻量化PCB的缺陷检测算法。将复杂背景下的电路板图像转化为灰度图并利用改进后的YOLOv5分割技术得到目标区域，结合深度卷积神经网络完成小面积及细小故障的定位。实验结果表明：准确率高，运行稳定。算法采用四尺度检测机制拓展了模型的检测范围并加入了深层语义信息和浅层语义相融合以丰富微小缺陷检测；FPGM剪枝并压缩模型以减少计算量，提高推理速度并实现轻量化处理；CA注意力机制加入到原网络中以滤除冗余信息并增强模型提取重要信息的能力；FPGM采用聚类及遗传学习算法调整锚框以加快收敛速度并节约训练时间；FPGM预选框的准确度得到了有效提升；FPGM优化模型的准确率为99.06%，只需考虑体积即可将预选框压缩成0.56MB，具有较好的应用前景。该模型的检测精度，速度以及体积都得到了提升，达到了PCB缺陷实时检测的需求。刘伟森（2020）针对现有印刷电路板（PCB）缺陷检测方法检测效率低下，接触式检测容易损坏PCB，误检率较高，且难以适应各种缺陷类型的特点，提出了一种基于轻量级卷积网络（MSNs）的PCB裸板缺陷识别算法。该算法将多尺度卷积核应用于网络第一层缺陷图片特征提取，利用深度可分离卷积操作代替网络中标准卷积操作以降低模型参数个数和计算量，同时增强了网络模型特征提取能力。然后将提取到的特征输入到第二层的多层感知器神经网络分类器实现对不同尺寸和形状的PCB图像进行分类，最后通过测试集对模型性能进行评估。实验结果表明，相对于经典卷积网络，传统缺陷检测算法，文中算法的缺陷识别准确率和通用性更高，符合工业应用的需求。张涛（2020）等人研究表明，表面缺陷在工业产品生产过程中难以避免，若不能及时发现和治理，将会对产品表观质量和性能造成影响，从而降低企业生产效益。基于机器视觉表面缺陷检测方法部分克服传统人工检测方法检测效率低下，误检和漏检率较高等缺点，被广泛应用于现代化工业生产。笔者概括总结了机器视觉在表面缺陷检测领域最近几年取得的成果，分析了国内外在该领域的研究状况，描述了机器视觉缺陷检测系统构成与工作原理，回顾了视觉缺陷检测中涉及的有关理论与应用方法，对比了目前主流机器视觉检测手段的优势与不足，指出了当前机器视觉缺陷检测中存在的一些问题，最后展望了其后续发展趋势。胡珊珊（2021）等人提出以深度学习为基础的微小缺陷检测网络PCB。网络采用多层卷积的方法抽取不同维度特征，采用上采样与跳层连接方法，实现在多尺度特征融合中，为此作者提出的方法可以准确地检测并识别印制电路板中导线缺陷及焊点缺陷，主要有导线短路，开路、缺口、毛刺及焊点孔洞、漏焊、焊盘不完整等。对PCB缺陷数据集进行定量分析表明：本文方法移植性强，PCB数据集检测准确率为98.6%，满足PCB缺陷的实际检测需要。耿朝晖（2021）为提高PCB板缺陷检测效率，基于FasterR-CNN对PCB板缺陷检测方法进行完善。将现有PCB板图像数据进行增强来丰富数据集。选取ResNet50为主干网络构造特征金字塔进行多尺度特征融合并将损失函数改为focalloss来加强检测效果。实验证明改进算法能够较好地对PCB板进行缺陷识别，并在增强数据集上获得了96个结果。7%的平均准确率；较高的召回率和F值均优于其他对比方法，mAP值有效地提高了模型性能。朱宪宇（2021）提出了在PCB裸板缺陷检测中引入YOLOv4的方法，并采Canopy+K-means聚类的方法对YOLOv4的K-means进行改进以得到先验框。在该先验框下采用卷积神经网络实现对原始图像的处理，并通过计算得到待识别特征图。然后利用支持向量机完成对待检样本集训练，从而建立待测分类器模型。利用改进YOLOv4对PCB裸板进行短路、开路、缺口、毛刺、焊点漏焊和余铜缺陷检测，并研制软硬件平台构成高精度高检测速度PCB裸板缺陷检测系统。在PCB_DATASET数据集上，对本文所提方法及现有基于深度学习PCB裸板缺陷检测方法做对比试验及分析。实验结果表明：本文所提方法缺陷检测mAP（meanAveragePrecision）值高达99.48%，检测速度达37.09帧/秒，与现有基于深度学习PCB裸板缺陷检测方法相比较，该方法不仅具有较快的检测速度，还具有较高检测精确度。许思昂（2022）基于深度学习YOLOv5算法用于PCB裸板缺陷检测中，在特征融合通路中过多地加入C2、C3和C4三个层次直接连接到P2、P3和P4三个层次，减少了信息损失；C2和C3特征图在较浅的层次中被引入，增加了图像细节信息；SE_block采用注意力机制显着提高了原有算法准确率。结果表明：改进网络平均检测精度从91°增加到97°，增加了5°，且对各种缺陷，该算法检测精度均可维持在9°，符合工业需要。实验结果表明：该算法能有效地抑制噪声并保留原始图像中的纹理结构和边缘轮廓，同时减少计算量，降低运算时间。最后通过对比分析结果发现该算法优于其他方法。本算法检测精度有所提高，较好地反映了浅层信息对小目标检测的影响，证实了多信息融合通路，显示出注意力机制所具有的优点，与原有算法相比较也有一定优势。二、国外研究现状国外学者对PCB板缺陷检测研究时间普遍早于国内。M.Moganti（1995）等研究认为制造印刷电路板(PCB)需要50多个工艺步骤。为确保质量，人工操作员只需根据规定的标准目视检查工作。这种劳动密集型、因此成本高昂的程序所做出的决定通常还涉及主观判断。自动检测系统消除了主观因素并提供快速、定量的尺寸评估。机器视觉可以满足制造业提高产品质量和提高生产力的需求。现有检测系统的主要限制是所有算法都需要一个特殊的硬件平台来实现所需的实时速度，在算法上加速计算过程的任何改进都可以大大降低这些系统的成本。LeCun（2015）等研究表明，深度学习允许由多个处理层组成的计算模型来学习具有多个抽象级别的数据表示。这些方法极大地提高了语音识别、视觉对象识别、对象检测和许多其他领域（如药物发现和基因组学）的最新技术水平。深度学习通过使用反向传播算法来发现大型数据集中的复杂结构，以指示机器应如何更改其内部参数，这些参数用于根据前一层的表示来计算每一层的表示。深度卷积网络在处理图像、视频、语音和音频方面带来了突破，而循环网络则在文本和语音等序列数据上有所体现。Runwei（2019）等认为对印刷电路板(PCB)进行质量控制的微小缺陷检测(TDD)是大多数电子产品生产中的一项基本且必不可少的任务。尽管PCB缺陷检测取得了重大进展，但传统方法仍然难以应对复杂多样的PCB。针对这些问题，本文提出了一种微型缺陷检测网络（TDD-Net）来提高PCB缺陷检测的性能。在这种方法中，利用深度卷积网络固有的多尺度和金字塔层次结构来构建特征金字塔。与现有方法相比，TDD-Net具有三个新颖的变化。首先，使用k-means聚类设计合理的锚点。其次，TDD-Net从不同层次加强特征图的关系，受益于低层次的结构信息，适用于微小缺陷检测。最后，考虑到数据集较小且不平衡，