基于LT-YOLOv5s的PCB缺陷检测方法_张开生.pdf

ISSN 1006 7167CN 31 1707/TESEACH AND EXPLOATION IN LABOATOY第 42 卷 第 2 期Vol42 No22023 年 2 月Feb 2023DOI:10 19927/j cnki syyt 2023 02 023基于 LT-YOLOv5s 的 PCB 缺陷检测方法张开生，李昊晨，关凯凯，彭朋(陕西科技大学 电气与控制工程学院，西安 710021)摘要:针对传统 PCB 缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的 YOLOv5s 网络 PCB 缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度;在网络模型末端用 Transformer 替代 BottleneckCSP 模块，提升了网络模型捕获目标特征的能力;结合坐标注意力模块，提升模型的性能并减少参数。以某 PCB 数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到 99 04%，平均检测速度为 19ms/帧，改进后的算法能够更加快速有效的检测出 PCB 缺陷。关键词:缺陷检测;YOLOv5s 算法;Transformer 模块;检测尺度;坐标注意力机制中图分类号:TP 391文献标志码:A文章编号:1006 7167(2023)02 0108 07PCB Defect Detection Method Based on LT-YOLOv5sZHANG Kaisheng，LI Haochen，GUAN Kaikai，PENG Peng(School of Electrical and Control Engineering，Shaanxi University of Science and Technology，Xi an 710021，China)Abstract:Aiming at the problems of low detection accuracy and poor real-time performance of traditional PCB defectdetection algorithms，an improved PCB defect detection method based on YOLOv5s network is proposed Firstly，for thedefect characteristics，the detection scale of large targets is removed，and the detection scale of small and mediumtargets is retained Secondly，the Transformer module is used to replace the BottleneckCSP module at the end of thenetwork model，which improves the ability of the network model to capture target features Finally，combined with thecoordinate attention module，model performance is improved and parameters are reduced Taking the PCB datasetreleased by Peking University as the test object，the results show that the mean average precision(mAP)of theimproved algorithm reaches 99 04%，and the average detection speed is 19ms/frame The improved algorithm candetect PCB defects more quickly and effectivelyKey words:defect detection;YOLOv5s algorithm;Transformer module;detection scale;coordinate attentionmechanism收稿日期:2022-04-08基金项目:陕西省自然科学基础研究计划项目(2022JQ-601)作者简介:张开生(1963 )，男，山西运城人，博士，教授，研究方向为微电子、物联网技术、工业自动化。Tel:[phone];E-mail:80649433 qq com0引言近年来，各类电子设备生产厂商对于 PCB 裸板的质量和检测效率的要求越来越高。在 PCB 缺陷检测方面，基于深度学习的方法可自动提取图像特征，简化图像预处理过程，能有效提高 PCB 缺陷检测的准确率和效率，引起众多学者的关注，其中较为成熟的算法可以分为两类:一类是以 SSD1 和 YOLO2 5 系列网络为代表的基于回归方法的目标检测算法。例如:an等6 利用多尺度特征图定制不同尺度的边界框，通过非极大值抑制(Non-max suppression，NMS)优化检测结果改进了 SSD 神经网络框架，因没充分利用浅层特征图信息，容易导致定位不准确。曾凯等7 采用模型剪第 2 期张开生，等:基于 LT-YOLOv5s 的 PCB 缺陷检测方法枝、蒸馏和量化等技术对 YOLOv3-spp 检测模型进行压缩优化提升了 PCB 缺陷的检测速度。伍济钢等8 以 MobileNetV3 作为特征提取网络，Inceptionv3 作为检测网络降低了 YOLOv4 网络模型的深度，对各类缺陷的检测能力也得到了提升。以上两种方法所使用的模型权重文件较大，并不适合实际工程的应用。另一类是以 Faster-CNN 为代表的两阶段目标检测算法9。例如:Li 等10 结合 Faster-CNN 和 FPN 结构作为基础，在骨干网络插入 SE 模块提高了网络的特征提取能力，并使用 OI Align 代替 OI Pooling 提高小目标缺陷检测能力，但模型检测的速度过慢，难以达到实际生产场景下对于实时性的要求。为更好地平衡 PCB 缺陷检测的准确度与速度且更方便地部署在工业检测的设备当中。本文以YOLOV5s 网络模型作为基准网络模型，设计合理的检测尺度提高模型的推理速度;将 Transformer 模块替换网络末端低分辨率特征图的 BottleneckCSP 模块，让模型更关注缺陷本身特征;加入坐标注意力机制，提高模型的特征提取能力。将改进后的 YOLOv5s 网络模型称为 LT-YOLOv5s(Light Transformer-YOLOv5s)。1YOLOv5s 网络模型YOLOv5 共有 l、m、s、x 4 个版本，选择 YOLOv5s作为基准网络，其网络模型的权重文件仅 14M，很适合部署到嵌入式设备。其他版本的 YOLOv5 网络模型都是在 s 版本的基础上进行加深与加宽。YOLOv5s 网络结构由输入端、Backbone、Neck、Head 4 部分所组成，网络结构如图 1 所示。图 1YOLOv5s 结构图1 1输入端YOLOv5 的输入部分采用了 Mosaic 数据增强、自适应锚框计算和图片尺寸处理等方式，Mosaic 数据增强是对 4 张图片按照随机缩放、裁剪、排布的方式进行拼接，丰富了数据集样本，其结果如图 2 所示。图 2Mosaic 数据增强效果图自适应锚框计算是在初始锚框的基础上，将输出预测框与真实框做差值，通过不断的迭代获取最佳锚框值。图片尺寸处理采用自适应缩放图片将图片缩放到统一尺寸。1 2主干网络(Backbone)YOLOv5 网络的骨干网络为 CSPDarknet53，包含了 Focus、CBL、CSP1-x、SPP11 4 种模块。Focus 模块对特征图进行复制和切片操作，同时减少网络模型的计算量。CBL 由 Conv+BatchNormalization+Leakyelu激活函数共同组成，可实现特征图像的提取。CSP12 的残差结构能优化梯度信息，同时降低计算量，在保证准确度的同时也加快了推理的速度。SPP 模块采用 3个多尺度的最大池化进行多尺度融合，提高模型的感受野，同时解决了锚框与特征层的对齐问题。1 3颈部网络Neck 部分采用了特征金字塔(Feature PyramidNetworks，FPN13)+路径聚合网络(Path AggregationNetwork，PAN14)的网络结构，这种结构能融合深层特征信息与浅层特征信息增强小目标的检测准确度。901第 42 卷1 4输出端Head 部分以 GIoU 作为 Bounding box 的损失函数，采用 NMS 提高对多目标框重叠现象的检测能力，并输出一个向量，其中包含生成图像中预测的缺陷位置和分类信息。2改进的 YOLOv5s 网络结构设计2 1检测尺度改进YOLOv5s 的原始锚框为 10，13，16，30，33，23、30，61，62，45，59，119和 116，90，156，198，373，326。在 Head 部分包括 3 个输出层 P3、P4和 P5，步长幅度分别为 8、16 和 32。当输入图像像素大小为640 640 时，P3、P4和 P53 个输出层的检测尺度分别为 80 80、40 40 和 20 20 像素，分别预测大型、中等和小型目标。鉴于 PCB 缺陷属于小目标物体，对应 20 20 的检测尺度，感受野为 32 32 像素区域，负责预测大目标物体，超过了 PCB 缺陷所占像素区域大小。在这 3种检测尺度当中，去除了 20 20 的检测尺度，只留下40 40 和 80 80 这 2 种感受野大小为 16 16 和 8 8 像素区域的检测尺度，改进后的检测尺度如图 3 所示。鉴于原始锚框的检测效果很好，故本文采用的原始锚框为 10，13，16，30，33，23 和 30，61，62，45，59，119。图 3YOLOV5s-2head 结构图2 2Transformer 模块针对 PCB 缺陷较为稀疏且特征贫瘠的问题，网络模型在计算过程中缺陷本身的特征需要被特别关注。采用 vision Transformer15 当中的 Transformer 模块来替换 YOLOv5s 网络结构末端的 BottleneckCSP(C3)模块。Transformer 为 Full-attention 模型，由多头注意力(Multi-head self-attention，MHSA)机制所组成，如图 4所示。当有图像输入时，它可计算不同位置像素间的关系，每一个 head 都是特征和信息的子空间，这种方法能够更多地保留 PCB 缺陷的特征信息。图 4Transformer 模块结构图图 5输入特征图的 eshape 操作如图 5 所示，在计算之前增加一个线性层进行位置编码来减少在 eshape 时引起的部分位置信息的丢失。在自注意力机制(Self-attention)中，query 向量 Q、key 向量 K、value 向量 V 都是输入向量 I 通过不同的线性变换得到的。多头注意力机制是对由输入向量 I得到多个自注意力的 head 进行特征融合和线性变换MultiHead(Q，K，V)=Concat(head1，head2，headh)Wout(1)式中:Concat 为特征融合操作;Wout为线性变换矩阵;headh=Attention(Qh，Kh，Vh)=softmaxQhKThd()kVh(2)为第 h 个自注意力的计算结果。式中，dk为 Qh和 Kh点积的方差，用于缓解 softmax 出现梯度消失的问题;Qh=IWQhKh=IWKhVh=IWVh(3)式中，WQh为第 h 个 I 到 Q 的线性变换，再经过两次线性变换，就能获得更关注于 PCB 缺陷本身的特征图。2 3CA 模块在 PCB 缺陷图像当中，缺陷目标所占像素少且容易受到背景因素影响，YOLOv5s 网络模型在卷积采样时容易造成小目标的特征信息的丢失，故本文引入坐标注意力机制(Coordinate Attention，CA)16，它可集成到大多数著名的 CNN 架构，并能以端到端的方式进行训练。CA 模块的流程如图 6 所示。011第 2 期张开生，等:基于 LT-YOLOv5s 的 PCB 缺陷检测方法图 6CA 模块结构图给定一个特征图，其维度为 C H W，分别沿水平方向和垂直方向使用尺寸为(1，W)、(H，1)的 AvgPool 对每个通道 c 进行编码，得到 2 个一维特征编码向量:zhc(h)=1W0i Wxc(h，i)(4)zwc(w)=1H0i Hxc(j，w)(5)使用 Concat 级联之前生成的特征图 zw、zh，使用 1 1的卷积变换函数 F1对进行变换操作生成空间信息在水平方向和垂直方向的中间特征映射f=(F1(zh，zw)(6)式中，为非线性激活函数。沿空间维度利用 2 个卷积核大小为 1 的卷积运算 Fh和 Fw对 fh和 fw进行变换，得到具有相同通道数的张量:gh=(Fh(fh)(7)gw=(Fw(fw)(8)式中，为 Sigmoid 激活函数。这就使得权重范围在 01 之间，再对 gh和 gw进行扩展，作为注意力权重，可得yc(i，j)=xc(i，j)ghc(i)gwc(i)(9)2 4改进后的网络结构YOLOv5 本身就是一个优秀的检测算法，但就小目标检测来看，该算法还具有改进的空间，根据前面 3小节的理论研究和分析，可修改完检测尺度并引入Transformer 结构与注意力机制的 LT-YOLOv5s，其模型结构见表 1。3仿真结果及分析3 1数据预处理本文的实验数据集来源于北京大学公开发布的PCB 数据集，包含 693 个样本。数据集中每张图像的平均像素为 2777 2138，包含孔洞、鼠咬、开路、短路、毛 刺和余铜6种PCB缺陷。该数据集样本较少，训练表 1LT-YOLOv5s 整体模型结构序号From参数量模块参数信息013 520Fcous 3，32，31118 560Conv 32，64，3，22118 816C3 64，64，1311 688CoordAtt 64，644173 984Conv 64，128，3，251156 928C3 128，128，3613 352CoordAtt 128，2871295 424Conv 128，256，3，281625 152C3 256，256，3916 680CoordAtt 256，2561011 180 672Conv 256，512，3，2111656 896SPP 512，512，5，9，13 1211 182 976C3T 512，512，1 False131131 584Conv 512，256，1，11410UnsampleNone，2151，90Concat 1161361 984C3 512，256，1，False17133 024Conv 256，128，1，11810UnsampleNone，2191，60Concat 120190 944C3T 256，128，1，False211147 712Conv 128，128，3，2221，170Concat 1231296 576C3T 256，256，1，FalseYOLO 模型时容易过拟合，为此，本文采用增强亮度、翻转、随机裁剪、位移和添加高斯噪声等手段对数据样本进行增强。增强后的训练集和测试集按照 9:1 的比例分为训练集(11 601 张图像)和测试集(1 289 张图像)。图 7 为 PCB 数据集的分析可视化结果图。其中:图 7(a)为数据集各个缺陷类别个数;图 7(b)为物体中心点位置分布图，横、纵坐标表示中心点的位置;图 7(c)为各类缺陷大小分布图，横、纵坐标表示各类PCB 缺陷的宽和高。3 2实验环境与参数设置实验环境使用 Windows 10 操作系统，16GB 内存，NVIDIA GeForce TX 3070 显卡，Intel Core i5 10600KF4 1GHz 处理器，在 pytorch 1 10 0、cuda11 5 下实现模型的搭建及训练工作。通过在 COCO 数据集上的预训练模型权重进行初始化，参数设置见表 2。3 3模型评估本实 验 中，选 择 的 模 型 评 估 指 标 是:查 准 率(Precision，P)、召回率(ecall，)、平均精度(AveragePrecision，AP)、mAP(mean Average Precision):111第 42 卷(a)数据集物体类别分布(b)物体中心点位置分布(c)物体大小分布图 7数据集分析表 2预训练模型参数设置参数名参数值学习率0 01动量09权重衰减系数0 000 5批量大小16训练轮数200P=TPTP+FP 100%(10)=TPTP+FN 100%(11)AP=10P()d(12)mAP=Ni=1APiN(13)式中:TP 为正确检测目标个数;FP 为错误检测目标个数;FN 为漏检目标个数;AP 为 Precision-ecall 曲线下面的 面 积;对 该 图 片 每 一 类 的 平 均 精 度 求 均 值即 mAP。3 4方案设计本文共设计 2 组实验，在 YOLOv5s 架构下设计分析使用的改进算法的不同改进部分对网络性能的影响，再将改进后的 YOLOv5s 与主流检测网络进行性能对比，综合分析 LT-YOLOv5s 算法性能。根据训练结果中的训练数据信息进行可视化绘图，其损失函数、平均精度均值(m AP 0 5)、查准率(Precision)、召回率(ecall)、如图 8 所示。3 4 1检测尺度改进实验本文对原网络进行了检测尺度的改进。在原YOLOv5s 3 种检测尺度的基础上通过增加或减少检测尺度的种类来寻找出最适合 PCB 缺陷检测的尺度种类。为验证本文所提在原网络的基础上去掉 20 20规格的检测尺度，保留 40 40、80 80 的 2 个规格检测尺度改进的合理性和有效性。通过在原网络的基础(a)损失函数曲线(b)平均精度均值曲线(c)查准率曲线(d)召回率曲线图 8模型性能评估上去掉 20 20、40 40 规格的检测尺度，只保留 80 80 规格的一种检测尺度。将原网络模型和改进后的 2种检测尺度改进后的网络模型分别进行训练得到的检测结果见表 3。表 3不同检测尺度下性能对比网络模型检测尺度参数量mAP/%推理时间/(msF1)一种检测尺度(80 80)4 834 401960219两种检测尺度(80 80，40 40)5 287 0429738213 种检测尺度(原网络)7 077 027976124由表 3 可见，只保留 80 80 规格的检测尺度的网络模型的推理时间最快，相比较原网络推理时间提升了 20 8%，模型参数量下降了 31 7%，mAP 下降了1 59%，减值较大。而之前所提出的保留两个检测尺211第 2 期张开生，等:基于 LT-YOLOv5s 的 PCB 缺陷检测方法度的改进网络的推理时间达到了 21 ms/帧，模型参数量减少了 25 3%，mAP 下降了 0 23%。综上实验结果，本文选择保留 40 40、80 80 的两个格检测尺度来对原网络进行更改。3 4 2改进方法对模型性能的影响由表 4 可见，通过消融实验的结果分析 3 组不同的改进部分对网络性能的影响。改进 1 为修改检测尺度，改进2 为添加 Transformer 结构，改进3 为加入注意力机制。实验结果显示，加入 Transformer 模块以及坐标注意力机制，将网络模型的 mAP 提升了1 65%，检测速度提升较小。通过设计合理的检测尺度，去除了对大目标的预测特征层，保留了对中小目标的检测尺度，mAP 下降了0 22%，检测速度降低了3 ms，检测速度相对于原 YOLOv5s 提升了 12 5%。通过 3 种改进方式 改 进 后 的 模 型 mAP 为 99 04%，相 较 于 原YOLOv5s 的 mAP 提升了 1 43%，检测速度提高了 5ms/帧，图 9 展示了改进前后的效果对比。其中图 9(a)(e)为对孔洞、鼠咬、短路和毛刺的检测效果，可见检测精准度都有有了不错的提升，但对图 9(c)、(f)开路与余铜这种特征贫瘠的缺陷，左图并没有检测出来，相反右侧正常检出且检测准确度高于左侧。综上所述，LT-YOLOv5s 模型相较于 YOLOv5s 模型在 PCB缺陷检测方面表现出了更优秀的性能，YOLOv5s 对于小目标特征稀疏且贫瘠的情况下出现检测准确度较低、漏检的情况。LT-YOLOv5s 对于小目标特征稀疏且贫瘠的检测效果要优于 YOLOv5s，在 PCB 缺陷检测流水线上有更好的鲁棒性，表现出更好的性能。表 4消融实验结果实验序号改进 1改进 2改进 3mAP/%推理时间/(msF1)19761242973821398892249781235987120697582179926228990419注:表示应用此方案，表示不应用此方案。(a)孔洞检测(b)鼠咬检测(c)开路检测(d)短路检测(e)毛刺检测(f)余铜检测图 9改进前后检测效果放大图3 4 3不同网络模型检测性能对比为更好地表明 LT-YOLOv5s 算法的检测性能，采用模型权重大小、召回率、mAP 和推理时间 4 项指标，将本文算法同其他主流的目标检测模型 Faster-CNN、SSD、YOLOv3、YOLOv4 和 YOLOv5s 在 PCB 数据集上的训练结果进行评估与对比，对比结果见表 5。可见，LT-YOLOv5s 网络模型相较于双阶段网络模型的 Faster-CNN 以及单阶段网络模型的 SSD、YOLOv3、YOLOv4 来说属于轻量型的网络，其权重文件仅 12 3M，改进后网络模型的 mAP 和召回率都高于其余主流网络模型。LT-YOLOv5s 模型与 YOLOv5s 模型都能完成 PCB 缺陷检测任务，改进后的模型检测速度更快，平均检测时间提高了 5 ms，模型权重也更小。对于 PCB 缺陷检测嵌入式设备，需要考虑模型的可移表 5与主流网络模型性能对比Model权重/MBecall/%mAP/%推理时间/(msF1)Faster-CNN16391839244203SSD10237692775697YOLOv32218217839163YOLOv42468975903042YOLOv5s149742976124LT-YOLOv5s12 39926990419植性、检测速率和准确率，同时还要考虑嵌入式设备芯片加载模型与检测时间会更长。本文提出的 LT-YOLOv5s 算法，有效解决了 PCB 缺陷检测当中检测速度与准确度不能很好平衡的问题，其所占内存空间小，311第 42 卷检测速度快，可为嵌入式设备开发提供技术支持。4结语为提高 PCB 缺陷检测的准确度和速度，本文结合Transformer 模块，通过修改网络的检测尺度并加入 CA注意力机制，提出了一种基于 YOLOv5s 模型的改进算法 LT-YOLOv5s。以北京大学公开的 PCB 数据集为测试对象，将 LT-YOLOv5s 与其余主流网络模型开展了对比。结果表明，本文提出的方法相比其余主流网络模型，在检测准确度、模型大小和检测速度有了较大的提升。与原 YOLO5s 算法相比，mAP 小幅提升，但模型得到减小、检测速度大幅提升。改进算法具有良好的检测准确度和检测速度且所占内存空间小，能够快速精准地检测出 PCB 缺陷。参考文献(eferences):1Liu W，Anguelov D，Erhan D，et al SSD:Single shot multi-boxdetector C/EuropeanConferenceonComputerVisionAmsterdam:IEEE Press，2016:21-372edmon J，Divvala S，Girshick，et alYou only look once:Unified，real-time object detectionC/Proceedings of the IEEEconference on computer vision and pattern recognition Las Vegas:IEEE Computer Society，2016:779-7883edmon J，Farhadi A YOLO9000 better，faster，strongerC/IEEE Conference on Computer Vision Pattern ecognitionHonolulu:IEEE Computer Society，2017:7263-72714edmon J，Farhadi AYOLOV3:An incremental improvementC/IEEEConferenceonComputerVisionandPatternecognition Salt Lake City:IEEE Press，2018:1-65Bochkovskiy A，Wang C Y，Liao H Yolov4:Optimal speed andaccuracy of object detection J arXiv Preprint arXiv:2004，10934，2020:1-176an G Z，Lei X，Li D S esearch on PCB defect detection usingdeep convolutional nerual networkC/International Conference onMechanical，Control and Computer Engineering Sanya:ICMCCEPress，2020:1310-13247曾凯，李响，贾建梅，等 基于 YOLOv3-spp 的缺陷检测优化模型J 计算机系统应用，2022，31(2):213-2198伍济钢，成远，邵俊，等 基于改进 YOLOv4 算法的 PCB 缺陷检测研究J 仪器仪表学报，2021，42(10):171-1789en S，He K，Girshick，et al Faster-CNN:Towards realtimeobjectdetectionwithregionproposalnetworks JIEEETransactions on Pattern Analysis and Machine Intelligence，2016，39(6):1137-1149 10Li D，Fu S，Zhang Q，et al An improved PCB defect detectorbased on feature pyramid networksC/2020 4th InternationalConference on Computer Science and Artificial Intelligence Zhuhai:CSAI Press，2020:233-239 11He K，Zhang X，en S，et al Spatial pyramid pooling in deepconvolutional networks for visual recognitionJ IEEE Transactionson Pattern Analysis and Machine Intelligence，2015，37(9):1904-1916 12Wang C Y，Liao H Y M，Wu Y H，et al CSPNet:A new back-bone that can enhance learning capability of CNN C/Proceedingsof the IEEE/CVF Conference on Computer Vision and Patternecognition WorkshopsSeattle:IEEE Computer Society，2020:390-391 13Lin T Y，Dollar P，Girshick，et al Feature pyramid networks forobject detection C/Proceedings of IEEE Conference on ComputerVision and Pattern ecognition New York:IEEE Computer Society，2017:936-944 14Liu S，Qi L，Qin H F，et al Path aggregation network for instancesegmentationC/Proceedings of 2018 IEEE/CVF Conference onComputer Vision and Pattern ecognition Salt Lake City:IEEEComputer Society，2018:1-9 15Ashish V，Noam S，Niki P，et al Attention is all you needC/Proceedingsofthe31stInternationalConferenceonNeuralInformation Processing SystemsNew York:NIPS Press，2017:6000-6010 16Hou Q，Zhou D，Feng J Coordinate attention for efficient mobilenetwork designC/Proceedings of the IEEE/CVF Conference onComputer VisionandPatternecognitionNewYork:IEEEComputer Society，2021:13713-13722(上接第 82 页)9Pyle D S，Webb C JA sieverts apparatus for measuring high-pressure hydrogen isotherms on porous materials J InternationalJournal of Hydrogen Energy，2017，42(31):20111-20119 10Sun B，Chakraborty A，Ali S M，et al Design and development of avolumetric apparatus for the measurement of methane uptakes undercryogenic conditions J Applied Thermal Engineering，2016，93:1175-1182 11Webb C J，Gray E M Analysis of the uncertainties in gas uptakemeasurements using the Sieverts methodJ International Journal ofHydrogen Energy，2014，39(1):366-375 12NagaiH，TomizawaH，OgasawaraT，etalHydridingcharacteristics of Mg-xwt%LaNi5 sintered alloys J Journal ofthe Less Common Metals，1990，157(1):15-24 13iabov A B，Denys V，Maehlen J P，et alSynchrotrondiffraction studies and thermodynamics of hydrogen absorption-desorption processes in La0.5Ce0.5Ni4Co J Journal of Alloys andCompounds，2011，509:S844-S848 14Cao D L，Chen D M，Liu Y，et al Structure and hydrogen storageperformance of LaNi4.25Al0.75alloy J Transactions of NonferrousMetals Society of China，2011，21(3):517-522 15Cheng H H，Yang H G，Li S L，et alEffect of hydrogenabsorption/desorption cycling on hydrogen storage performance ofLaNi4.25Al0.75J Journal of Alloys and Compounds，2008，453(1-2):448-452411