基于YOLO-MCG的PCB缺陷检测算法.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 4 期基金项目:河南省科技攻关项目(232102210100);河南理工大学基本科研业务费基础研究项目(B 类)(NSFRF230601)收稿日期:2023-09-08基于 YOLO-MCG 的 PCB 缺陷检测算法胡兰兰,邓 超河南理工大学物理与电子信息学院 摘要:为解决 PCB 缺陷检测中存在检测精度低,模型尺寸庞大的问题,文中提出基于 YOLO-MCG的 PCB 缺陷检测算法。首先提出多尺度加权通道融合网络缩减模型体积,扩增小目标数据。接着提出混合空间金字塔卷积替换主干网络中 SPP 结构,扩大深层特征图感受野,增强模型语义信息特征提取性能。最后构建轻量化 CG-CSP 模块替换主干网络最深层 CSP 结构,减少网络参数,提高网络过滤冗余背景信息能力。实验结果表明,YOLO-MCG 算法在 8.13 MB 的模型尺寸下平均精度均值为 97.72%,与改进前模型比较,mAP 提升 3.77%,模型尺寸缩减 69.89%,有效降低模型复杂度,提升缺陷检测效果。关键词:PCB 缺陷检测;小目标;混合空间金字塔卷积;轻量化;注意力机制;感受野中图分类号:TP391.41 文献标识码:APCB Defect Detection Algorithm Based on YOLO-MCGHU Lanlan,DENG ChaoSchool of Physics and Electronic Information Engineering,Henan Polytechnic UniversityAbstract:For the problems of low detection accuracy and large model size in PCB defect detection,a PCB defect detection algorithm based on YOLO-MCG was proposed.First,a multi scale weighted channel fusion network was presented to reduce the model volume and amplify small target data.Afterwards,the mixed space pyramid convolution was proposed to replace the SPP structure in the backbone network,which expanded the receptive field of deep feature maps and enhanced the performance of the model semantic information feature extraction.Eventually,a lightweight CG-CSP module was constructed to replace the deepest CSP structure in the backbone network,which reduced the network parameters and improved the networks ability to filter redun-dant background information.Experimental results show that the YOLO-MCG algorithm obtains an average mean precision of 97.72%with a model size of 8.13 MB.Compared with the pre-improved model,mAP is increased by 3.77%and the model size is reduced by 69.89%,which effectively reduces the model complexity and improves the defect detection effect.Keywords:PCB defect detection;small target;hybrid spatial pyramid convolution;lightweight;attention mechanism;receptive field0 引言印刷电路板(printed circuit board,PCB)制造是电子产品的基础产业,其质量与电子产品性能相关,由于复杂繁琐的制作工序,使得 PCB 在生产中不可避免地出现各种缺陷。为提高工业生产线中 PCB 缺陷检测正确率,降低资源损耗,提高 PCB 生产合格率十分重要。目前企业以自动光学检测(automatic optical in-spection,AOI)1技术为主流,但该设备成本高,检测结果易受光源与摄像头成像质量等因素影响,具有不确定性。随着卷积神经网络的发展,目标检测技术快速迭代,分别衍生了 Faster R-CNN2、SSD3、YOLO4和 RetinaNet5等算法,为应用深度学习技术检测 PCB缺陷提供了可能。在 PCB 缺陷检测方面,已有研究者设计不同的检测算法,例如,胡兵等6使用 ResNet50 改进 Faster RCNN 骨干网络,且利用 GARPN 预测更加准确的缺陷锚框。文斌等7采用轻量级主干网络和新型特征金字塔网络,压缩网络模型降低信息冗余,提高检测速度。李闻等8使用融合聚类算法重新聚类锚框,并使用通道注意力机制改进特征融合方式提高缺陷检测精度。康力天等9使用 ResNet50 替代 SSD 中 VGG 网络,通过数据增强操作增加目标数量,以此提高 SSD 网络检测效果。杨杰等10借助密集连接卷积网络改进YOLOv3 主干,同时修改损失函数,有效压缩模型大小。苏佳等11修改主干网络及 PANet 结构,将 H-Swish 激活函数应用于改进网络提升训练速度。以上研究方法在检测精度或检测速度方面有所突破,验证001 第 4 期胡兰兰等:基于 YOLO-MCG 的 PCB 缺陷检测算法 了深度学习方法的可行性,但难以在提高精度的同时提升速度。为解决此类问题,本文以 YOLOv5s 为基础提出 YOLO-MCG 算法,首先借鉴 BiFPN12思想修改颈部网络 PANet13结构深浅层特征融合方式,提出多尺度加权通道融合网络(multi scale weighted channel fusion,MSWCF)。接着引入混合空洞卷积(hybrid di-lated convolution,HDC)14,提出混合空间金字塔卷积(mixed space pyramid convolution,MSPC)替换原网络中 SPP15结构,MSPC 可在不降低图像分辨率情况下提升缺陷信息捕获的感受野。最后将主干网络最深层 CSP 模块替换为 CG-CSP 模块,在减少模型参数量同时提升深层输出尺度的语义信息关注度。1 YOLO-MCG 算法YOLOv5 算法设计虽在目标检测精度、速度和召回率等方面表现优异16-17,但面对 PCB 缺陷等小目标检测时效果较差。影响检测效果原因如下:1)PCB 缺陷目标较小,在整张 PCB 图像上像素占比较低,使得网络进行特征提取时可学习小目标数据不充足。由于存在部分缺陷与背景极为相似的情况,导致特征提取过程中易受无关信息干扰,无法充分利用上下文信息,造成目标定位错误。除此之外不同类别缺陷间差异化较弱,对网络进行多尺度特征融合学习语义信息产生困难,导致目标检测时影响分类精确度。2)YOLOv5s 网络设计不利于小目标检测。原始YOLOv5s 网络设计时检测目标范围较广,包含大中小不同尺度目标,故其无法在小目标检测下表现优异。为改善 YOLOv5s 算法在 PCB 小目标缺陷检测时的效果,本文提出 YOLO-MCG 算法,此算法从多尺度加权通道融合、混合空间金字塔卷积和 CG-CSP 模块3 部分进行改进,改进后 YOLO-MCG 模型结构如图 1所示。1.1 多尺度加权通道融合YOLOv5s 将输入图像经主干网络特征提取后生成特征图 C3、C4和 C5,尺度分别为 80 pixel80 pixel、40 pixel40 pixel 和 20 pixel20 pixel,借助 PANet 进行双向特征融合输出检测小、中、大三种目标尺寸的特征图。PANet 结构适合检测目标尺度变化较大的图像,而 PCB 缺陷目标尺度变化较小,其中 20 pixel20 pixel 尺度包含感受野较大,导致小目标在不断卷积过程中丢失像素信息,该层深度较深对 PCB 缺陷检测而言占用大量计算资源,故对其进行裁剪操作。此外引出浅层高分辨率的 C2特征图,C2有助于提高网络对微小目标的敏感度。图 1 YOLO-MCG 模型结构图在进行语义信息与细节信息特征融合时,特征图由于缺乏主干网络中原始特征信息,不利于多尺度特征表达,且 PANet 直接对不同尺度信息进行拼接,造成大量信息冗余或冲突,增加缺陷检测难度。因而本文在 C3层增加横向跳跃融合边,以此扩增特征融合性能。改进后多尺度加权通道融合网络结构如图2 所示。图 2 多尺度加权通道融合网络结构图多尺度加权通道融合网络在多输入节点融合时采用快速归一化融合机制,针对不同尺度赋予对应的权重,以 F3与 P3节点为例,计算公式如式(1)和式(2)。F3=conv(w1C3w2R(F4)w1+w2+)(1)P3=conv(W1C3W2F3W3R(P2)W1+W2+W3+)(2)式中:conv 和 R 分别为卷积和采样;表示 Concate;wi(i=1,2)和 Wi(i=1,2,3)分别表示两输入节点和三输入节点的权重系数;为防止分母为 0 情况出现,=0.000 1。由于 Concate 不要求拼接图像具有相同的通道数,拼接时直接按照原始图像进行通道叠加,用其替代 BiFPN 中 Add 操作,可避免 Add 操作引起新的特征,从而提高网络检测效果。101 仪 表 技 术 与 传 感 器第 4 期1.2 混合空间金字塔卷积由于主干网络最深层输出尺度由 20 pixel20 pixel变为 40 pixel40 pixel,输出特征图感受野大小由 32倍变为16 倍,感受野变小不利于主干网络对图像语义信息的提取。主干 SPP 模块中最大池化虽可实现扩大感受野的作用,但直接选取图像中像素值最大的池化过程,会引起图像分辨率降低丢失细节特征,使得PCB 缺陷信息表征缺失。基于上述问题,本文提出混合空间金字塔卷积结构,混合空间金字塔卷积由混合空洞卷积构成,混合空洞卷积通过膨胀系数控制卷积核间距,以此调整感受野区域。其中混合空洞卷积感受野计算公式如式(3)所示。FHDC=2(r-1)(k-1)+k(3)式中:FHDC为混合空洞卷积感受野;r 为膨胀率;k 为卷积核大小。膨胀率过大会产生网络效应14,丢失部分缺陷细节信息,膨胀率过小不利于感受野的扩增。本文根据文献14中膨胀系数设计规则,设计 3 组膨胀率如下:r1=1,2,3、r2=1,2,4 和 r3=1,2,5,经实验验证 r 取r2时检测精确度最高。由卷积核 k=3,r=r2及感受野FHDC=3,7,15 的混合空间金字塔卷积结构如图 3 所示。图 3 混合空间金字塔卷积结构图1.3 CG-CSP 模块为进一步缩小目标检测模型尺寸,提高 PCB 缺陷检测的实时性,本文选取 GhostBottleneck 替换 CSP 残差结构中 Bottleneck。但 PCB 缺陷背景包含大量相似特征,经 GhostBottleneck 线性操作后模型尺寸减少的同时也带来精度下降问题,故引入坐标注意力机制(coordinate attention,CA)18模块,利用全局上下文信息丰富缺陷特征,抑制无关特征,提高网络在复杂场景下的 PCB 缺陷检测效果。改进后 CG-CSP 模块结构如图 4 所示。图 4 CG-CSP 模块结构图1.3.1 GhostBottleneckGhostBottleneck 利用2 个 Ghost Module 堆叠而成,Ghost Module 是 GhostNet 幻象卷积神经网络(convolu-tional neural network based on the ghost moudle)19的基本模块,结构如图 5 所示。图 5 Ghost Module 结构图对于任意输入特征 XRhwc,经过 Ghost Module的输出特征 YRhwn,其中 h、w 为输入输出特征图的高度和宽度,c、n 分别为输入和输出通道数。Ghost Module 首先使用普通卷积 conv 获得输入输出通道数为 c 和 m 的特征浓缩图,接着使用深度可分离卷积(depthwise separable convolution,DSC)进行线性操作,获得输入输出通道数均为 n-m 的特征冗余,最后拼接2 部分特征,得完整输出特征。以上述输入输出特征为例,经过卷积核 f rkkcm,其中 k 为卷积核高度和宽度,当 mn 时,普通卷积 cnov 与 Ghost Module 的参数压缩率如式(4)所示。r=nhwckknshwckk+ns(s-1)hwkk=scs+c-1s(4)式中 s 为深度可分离卷积运算次数,s=n/m。当 s=c 时,式(4)中 rs,即 conv 的参数量复杂度是 Ghost Module 的 s 倍。据此使用 GhostBottleneck 搭建深层卷积神经网络,可使用简单操作获得特征冗余,并有效降低模型复杂度。1.3.2 坐标注意力机制注意力机制根据仿生学原理模拟人类视觉,通过差异化权重值重点关注图像中感兴趣区域,关注区域维度不同导致注意力机制作用不同。单一维度注意力机制,如通道注意力机制 SENet20和空间注意力机制 Non-local21等,缺乏对多维度信息的考量,单独作201 第 4 期胡兰兰等:基于 YOLO-MCG 的 PCB 缺陷检测算法 用于通道或者空间维度时效果较好。但缺陷目标较小,通道特征信息匮乏,且目标背景复杂需要依赖空间全局信息进行特征提取。CA 注意力机制集通道与空间信息于一体,以坐标为载体实现信息嵌入与注意力生成,在捕获跨通道信息的同时获得方向与位置信息,可协助网络准确定位和识别缺陷数据。CA 注意力机制结构如图 6 所示。图 6 CA 注意力机制结构图图 6 中,对于通道数为 C 的输入特征图,X RCHW,其高度和宽度分别为 H、W,CA 注意力机制对第 c 通道输入特征图分别沿水平方向和垂直方向使用全局平均池化,生成 2 个包含特定方向的独立特征映射 Z(h)c,Z(w)c;对 Z(h)c和 Z(w)c经卷积进行位置编码,使用非线性的激活函数处理中间特征图,得到嵌入坐标信息的张量 f(h)c和 f(w)c;将 f(h)c和 f(w)c分别经卷积处理改变通道数,利用 sigmoid 激活函数生成对应方向注意力权重值 g(h)c和 g(w)c;最后将权重值与输入 X 相乘,得到包含通道编码和远程依赖关系的输出 Y。上述 CA 注意力机制编码过程输出如式(5)所示:Y(i,j)=X(i,j)g(h)c(i)g(w)c(j)(5)式中:X(i,j)为输入特征图,i=1,2,W,W 为第 c 通道特征图的宽度参数;g(h)c为第 c 通道中水平方向生成的注意力权重;j=1,2,H,H 为第 c 通道特征图的高度参数;g(w)c为第 c 通道中垂直方向生成的注意力权重;Y(i,j)为输出特征图。2 实验与结果分析2.1 数据集实验 PCB 缺陷数据集来源于北京大学智能机器人开放实验室,由六类缺陷图像组成共计 693 张。初始数据集样本数据过少,易产生过拟合现象,通过镜像、旋转、改变对比度等操作进行样本扩增,扩增后缺陷图像 分 布 如 下:missing _ hole(缺 孔)为 1237 张;spurious_copper(余铜)为1241 张;short(短路)为1235 张、mouse_bite(鼠咬)为 1241 张;open_circuit(开路)为1235 张;spur(毛刺)为 1237 张。6 类 PCB 缺陷放大图如图 7 所示。(a)缺孔 (b)余铜(c)短路 (d)鼠咬 (e)开路(f)毛刺图 7 PCB 缺陷放大图2.2 评价指标为验证改进算法对 PCB 缺陷检测的有效性,实验分别采用平均精度均值(mAP)、模型尺寸(Size)和每s 检测图像帧数(frames per second,FPS)衡量模型检测精度、空间复杂度和检测速度性能。其中单个类别精度评价指标采用平均精度(average precision,AP)。2.3 实验训练配置实验深度学习框架为 Pytorch,处理器为 Intel(R)Core(TM)i5-8400 CPU,使用 Nvidia GeForce RTX 3090 GPU 加速运算。训练时输入图像尺寸为 640 pixel640 pixel,按照 9 1 比例划分训练集和测试集,迭代批次设置 200,批次大小为 16,学习率大小采用动态调整策略,前 100 批次设置 0.001,后 100 批次设置0.000 1,参数优化采用随机梯度下降算法。2.4 实验分析为验证所提改进网络的有效性,本文以 YOLOv5s为 Baseline 设计 3 类实验,分别为 Baseline+多尺度加权通道融合、Baseline+多尺度加权通道融合+混合空间金字塔卷积和 Baseline+多尺度加权通道融合+混合空间金字塔卷积+CG-CSP,分别评估 MSWCF、MSPC和 CG-CSP 模块对 PCB 缺陷检测结果的影响,实验结果如表 1表 3 所示。由表 1 数据可知,MSWCF(Add)模块和 MSWCF(Concate)模块的mAP 相较于Baseline 分别提高2.41%和 2.72%,模型尺寸分别缩减 66.81%和 69.67%,检测速度分别下降 11.60%和 7.73%,说明 MSWCF 在提高301 仪 表 技 术 与 传 感 器第 4 期表 1 Baseline+多尺度加权通道融合实验算法AP/%缺孔余铜短路鼠咬开路毛刺mAP/%Size/MBFPS/(fs-1)Baseline99.5893.5397.7991.4491.0690.3093.9527.0070.62Baseline+MSWCF(Add)99.9196.4198.3395.6394.8393.0996.368.9662.43Baseline+MSWCF(Concate)99.7697.8896.9895.6395.2094.5996.678.1965.16表 2 Baseline+多尺度加权通道融合+混合空间金字塔卷积实验算法AP/%缺孔余铜短路鼠咬开路毛刺mAP/%Size/MBFPS/(fs-1)Baseline199.7697.8896.9895.6395.2094.5996.678.1965.16Baseline1+r199.6796.8097.7495.5093.6192.7896.029.8765.34Baseline1+r299.3498.1597.8195.6495.5995.7297.049.8765.86Baseline1+r399.4196.8697.9694.7495.2394.0196.379.8765.90表 3 Baseline+多尺度加权通道融合+混合空间金字塔卷积+CG-CSP 实验算法AP/%缺孔余铜短路鼠咬开路毛刺mAP/%Size/MBFPS/(fs-1)Baseline299.3498.1597.8195.6495.5995.7297.049.8765.86Baseline2+CG-CSP99.7697.5399.1297.0597.0695.7697.728.1369.79PCB 缺陷检测精度方面效果显著,通过删减 20 pixel20 pixel 尺度检测层可有效缩减模型尺寸,与此同时浅层尺度和横向跳跃融合边的引出使得模型检测速度有所下降。对比 MSWCF 网络节点融合处 Add 操作和 Concate 操作可知,相较于 Add 操作,使用 Concate操作不仅可使得模型检测精度和检测速度有所提升,而且网络尺寸更进一步缩小,证明了 MSWCF 方法的有效性。表 2 实验的 Baseline1 为表 1 中 Baseline+MSWCF(Concate)算法。而 Baseline1+r1、Baseline1+r2和 Baseline1+r3分别表示混合空间金字塔卷积在不同膨胀率下的实验结果,与 Baseline1 相比,添加混合空间金字塔卷积后模型尺寸增加了 20.51%,模型检测速度小幅提高,模型检测精度除 r2组提高 0.37%外,r1和 r3组分别下降 0.65%和 0.30%。相比较最大池化操作,卷积计算增强缺陷信息同时扩大网络参数量,导致模型尺寸增大。其中混合空洞卷积膨胀率的设置对模型检测精度的影响较为重要,只有合适的膨胀率才可在扩大网络感受野的同时提高检测精度。表 2 数据表明,以 r2为膨胀率的 MSPC 模块,在提升小目标缺陷检测精确度和速度方面均有所突破。表 3实验的 Baseline2 为表 2 中 Baseline1+r2算法,由表 3数据可知,在 Baseline2 基础上添加 CG-CSP 模块后,模型检测精度和检测速度分别提高 0.68%和 5.97%,模型尺寸下降 17.63%。轻量化模块与注意力机制模块的融合,在提升深度网络语义信息的同时减轻模型复杂度,优化模型检测性能。表1表3 中实验结果证明本文提出的 YOLO-MCG 算法在 PCB 缺陷检测方面具有一定优越性。针对 PCB 缺陷检测任务,为凸显 YOLO-MCG 算法的检测性能,本文将其与通用单阶段目标检测算法SSD、EfficientDet22、YOLOv4、YOLOv4-tiny、YOLOv5s、YOLOv7 和 YOLOv7-tiny 做对比。对比结果如表 4 所示。表 4 不同算法结果对比算法mAP/%Size/MBFPS/(fs-1)SSD70.6793.10123.18EfficientDet-D291.7659.5448.51YOLOv492.49244.0043.94YOLOv4-tiny76.3422.45164.06YOLOv5s93.9527.0070.62YOLOv793.02142.0055.02YOLOv7-tiny88.9223.1093.03YOLO-MCG97.728.1369.79由表 4 数据可知:YOLO-MCG 算法的 mAP 为97.72%,相比检测效果最差的 SSD 提升 27.05%,相比 YOLOv5s 提升 3.77%。在模型尺寸方面,YOLO-MCG 可 达 到 8.13 MB,比 最 大 的 YOLOv4 缩 小96.67%,比 YOLOv4-tiny 缩小 63.79%。在检测速度方面,YOLO-MCG 的 FPS 值为 69.79,与检测速度最快的 YOLOv4-tiny 相比下降 57.46%,与检测速度最慢的401 第 4 期胡兰兰等:基于 YOLO-MCG 的 PCB 缺陷检测算法 YOLOv4 相比上升 58.83%。从纵向数据分布分析可得,YOLO-MCG 算法在检测精确度和模型尺寸方面均优于 SSD、EfficientDet-D2 和 YOLO 系列算法,具有最优的检测效果,但检测速度方面位居第五。从横向数据对比发现,本文算法的 mAP 相较于改进前的YOLOv5s 模型有所提高,在模型尺寸方面缩减了69.89%,虽检测速度方面下降 1.18%,但仍可达到实时性检测中 FPS 为 30 f/s 的条件,可为模型在资源受限环境中部署提供可能。为直观感受 YOLO-MCG 算法检测效果,本文以改进前后模型为主体,分别可视化 6 类缺陷检测效果对比图,检测结果分别如图 8图 13 所示。各类缺陷分别在预测框上显示预测类别和置信度大小,对比检测结果可知,本文算法整体置信度高于 YOLOv5s 算法,其中缺孔、余铜和短路缺陷检测效果优于鼠咬、开路和毛刺。鼠咬、开路和毛刺3 类缺陷相似度较高,缺陷特征微小,在网络训练过程中轮廓信息容易损失,造成分类与定位错误降低检测准确率。改进后 YOLO-MCG 算法有效解决鼠咬、开路和毛刺类错检漏检现象,改善了 YOLOv5s 的检测性能。(a)YOLOv5s(b)本文算法图 8 YOLOv5s 与本文算法缺孔类检测效果对比图(a)YOLOv5s(b)本文算法图 9 YOLOv5s 与本文算法余铜类检测效果对比图(a)YOLOv5s(b)本文算法图 10 YOLOv5s 与本文算法短路类检测效果对比图(a)YOLOv5s(b)本文算法图 11 YOLOv5s 与本文算法鼠咬类检测效果对比图(a)YOLOv5s(b)本文算法图 12 YOLOv5s 与本文算法开路类检测效果对比图(a)YOLOv5s(b)本文算法图 13 YOLOv5s 与本文算法毛刺类检测效果对比图3 结束语本文在 YOLOv5s 基础上提出 YOLO-MCG 算法,算法对不同尺度信息进行充分融合,合理裁剪网络结构,有效扩充特征融合网络中 PCB 缺陷小目标数据细节信息。提出混合空间金字塔卷积结构,膨胀率的设置可灵活控制主干网络输出特征感受野大小,卷积操作也解决了池化操作的细节丢失现象,使得输出特征分辨率不变的情况下感受野变大。CG-CSP 模块引入CA 注意力机制,实现通道信息和空间信息的充分融合,增强模型利用上下文背景信息能力,提高相似PCB 缺陷间的识别能力,同时轻量化结构的引入有效缩减 YOLO-MCG 算法尺寸,提高模型检测速度。综合实验结果可知,YOLO-MCG 算法在小幅降低检测速度的前提下,有效提升网络检测精度,大幅缩减模型尺寸。本文算法不足之处在于无法提高检测精度的同时提升网络检测速度,检测速度的最优效果也只是接近于改进前网络,主要原因是浅层高分辨率图像的引出,扩大了网络计算复杂度,制约检测速度的提升。如何在不降低检测精度同时,降低网络计算参数量是接下来需要解决的问题。501 仪 表 技 术 与 传 感 器第 4 期参考文献:1卢荣胜,吴昂,张腾达,等.自动光学(视觉)检测技术及其在缺陷检测中的应用综述J.光学学报,2018,38(8):0815002.2 REN S,HE K,GIRSHICK R,et al.Faster R-CNN:towards real-time object detection with region proposal networksJ.IEEE Transactions on Pattern Analysis and Machine Intelli-gence,2017,39(6):1137-1149.3LIU W,ANGUELOV D,ERHAN D,et al.Ssd:Single shot multibox detectorC.Computer Vision-ECCV 2016:14th European Conference,2016:21-37.4 REDMON J,DIVVALA S,GIRSHICK R,et al.You only look once:Unified,real-time object detectionC.Proceedings of the IEEE Conference on Computer Vision and Pattern Reco-gnition,2016:779-788.5 LIN T Y,GOYAL P,GIRSHICK R,et al.Focal loss for dense object detectionC.Proceedings of the IEEE Inter-national Conference on Computer Vision,2017:2980-2988.6 HU B,WANG J.Detection of PCB surface defects with im-proved faster-RCNN and feature pyramid networkJ.Ieee Access,2020,8:108335-108345.7 文斌,胡晖,杨超.基于 LWN-Net 的 PCB 缺陷检测算法J/OL.计算机集成制造系统,2022:1-182023-07-16.http:/ 李闻,李小春,闫昊雷.基于改进 YOLOv3 的 PCB 缺陷检测J.电光与控制,2022,29(4):106-111.9 KANG L,GE Y,HUANG H,et al.Research on PCB defect detection based on SSDC.2022 IEEE 4th International Conference on Civil Aviation Safety and Information Tech-nology(ICCASIT).IEEE,2022:1315-1319.10 杨杰,张书杰.基于密集 YOLOv3 的印刷电路板缺陷识别J.北京邮电大学学报,2022,45(5):42-48.11 苏佳,贾欣雨,侯卫民.基于 YOLO-J 的 PCB 缺陷检测算法J/OL.计算机集成制造系统,2022:1-202023-07-16.http:/ TAN M,PANG R,LE Q V.Efficientdet:Scalable and effi-cient object detectionC.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2020:10781-10790.13 LIU S,QI L,QIN H,et al.Path aggregation network for in-stance segmentationC.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018:8759-8768.14 WANG P,CHEN P,YUAN Y,et al.Understanding convo-lution for semantic segmentationC.2018 IEEE Winter Conference on Applications of Computer Vision(WACV).IEEE,2018:1451-1460.15 HE K,ZHANG X,REN S,et al.Spatial pyramid pooling in deep convolutional networks for visual recognition J.IEEE Transactions on Pattern Analysis and Machine Intelli-gence,2015,37(9):1904-1916.16BOCHKOVSKIY A,WANG C Y,LIAO H Y M.Yolov4:Optimal speed and accuracy of object detectionEB/OL.(2020-04-22)2023-07-16.https:/arxiv.org/abs/2004.10934.17 WANG H,ZHANG S,ZHAO S L,et al.Real-time detection and tracking of fish abnormal behavior based on im-proved YOLOV5 and SiamRPN+J.Computers and Electronics in Agriculture,2022,192:106512.18HOU Q,ZHOU D,FENG J.Coordinate attention for effi-cient mobile network designC.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recogni-tion,2021:13713-13722.19 HAN K,WANG Y,TIAN Q,et al.Ghostnet:More features from cheap operationsC.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2020:1580-1589.20 HU J,SHEN L,SUN G.Squeeze-and-excitation networksC.Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition,2018:7132-7141.21 WANG X,GIRSHICK R,GUPTA A,et al.Non-local neural networksC.Proceedings of the IEEE Conference on Com-puter Vision and Pattern Recognition,2018:7794-7803.22 TAN M,PANG R,LE Q V.Efficientdet:Scalable and effi-cient object detectionC.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2020:10781-10790.作者简介:胡兰兰(1999),硕士研究生,主要研究图像处理、目标检测。E-mail:2035560964 通信作者:邓超(1980),教授,博士,主要研究图像处理、嵌入式系统。E-mail:super 601