基于轻量化YOLOX的电子元器件缺陷检测方法研究.pdf

基于轻量化Y O L O X的电子元器件缺陷检测方法研究*吴栋梁1,刘知贵1,2(1.西南科技大学信息工程学院,四川 绵阳 6 2 1 0 0 0;2.西南科技大学计算机科学与技术学院,四川 绵阳 6 2 1 0 0 0)摘 要:针对传统目标检测方法在对电子元器件进行缺陷检测时存在参数量大、检测效率低的问题,提出了一种基于轻量化YO L O X检测网络的目标检测方法。首先,使用深度可分离卷积对主干网络实现轻量化处理,减少参数量的同时提高检测速度;其次,构建基于空间金字塔的通道注意力模型,对不同尺度特征进行筛选融合,加强小尺寸缺陷的特征权重;在特征融合的采样过程中,加入高效通道注意力,在略微增加参数量的情况下,提升检测精度;最后,采用E I o U损失函数优化I o U损失函数,并使用余弦退火算法来使模型达到最佳检测效果。采用自制的电子元器件外观缺陷数据集进行实验,所提方法的平均检测精度达到9 8.9 6%,每幅图像的检测时间大约为0.0 9 s,与原YO L O X网络相比检测速度提高了一倍,模型大小缩小了约6 0%,并且在P C B瑕疵公共数据集上进行了验证,结果表明所提方法实现了目标缺陷的快速检测。关键词:电子元器件;缺陷检测;YO L O X;注意力机制中图分类号:T P 3 9 1.4文献标志码:Ad o i:1 0.3 9 6 9/j.i s s n.1 0 0 7-1 3 0 X.2 0 2 3.0 8.0 1 5A n e l e c t r o n i c c o m p o n e n t d e f e c t d e t e c t i o n m e t h o d b a s e d o n l i g h t w e i g h t Y O L O XWU D o n g-l i a n g1,L I U Z h i-g u i1,2(1.S c h o o l o f I n f o r m a t i o n E n g i n e e r i n g,S o u t h w e s t U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,M i a n y a n g 6 2 1 0 0 0;2.S c h o o l o f C o m p u t e r S c i e n c e a n d T e c h n o l o g y,S o u t h w e s t U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,M i a n y a n g 6 2 1 0 0 0,C h i n a)A b s t r a c t:A i m i n g a t t h e p r o b l e m o f l a r g e n u m b e r o f p a r a m e t e r s a n d l o w d e t e c t i o n e f f i c i e n c y o f t h e t r a d i t i o n a l t a r g e t d e t e c t i o n m e t h o d i n d e f e c t d e t e c t i o n o f e l e c t r o n i c c o m p o n e n t s,t h i s p a p e r p r o p o s e s a t a r g e t d e t e c t i o n m e t h o d b a s e d o n t h e l i g h t w e i g h t YO L O X d e t e c t i o n n e t w o r k.F i r s t l y,t h e b a c k b o n e n e t-w o r k i s l i g h t e n e d u s i n g d e e p l y s e p a r a b l e c o n v o l u t i o n t o r e d u c e p a r a m e t e r s a n d i m p r o v e d e t e c t i o n s p e e d.S e c o n d l y,a s p a t i a l P y r a m i d-b a s e d c h a n n e l a t t e n t i o n m o d e l i s c o n s t r u c t e d t o f i l t e r a n d f u s e f e a t u r e s o f d i f f e r e n t s c a l e s t o e n h a n c e t h e f e a t u r e w e i g h t s o f s m a l l s i z e d e f e c t s.I n t h e f e a t u r e f u s i o n u p s a m p l i n g p r o c e s s,e f f i c i e n t c h a n n e l a t t e n t i o n i s a d d e d t o i m p r o v e d e t e c t i o n a c c u r a c y w i t h s l i g h t l y i n c r e a s e d p a r a m-e t e r s.F i n a l l y,t h e E I o U l o s s f u n c t i o n i s u s e d t o o p t i m i z e t h e I o U l o s s f u n c t i o n,a n d t h e c o s i n e a n n e a l i n g a l g o r i t h m i s u s e d t o m a k e t h e m o d e l a c h i e v e t h e b e s t d e t e c t i o n e f f e c t.T h e m o d e l i s t e s t e d o n a s e l f-m a d e d a t a s e t o f e l e c t r o n i c c o m p o n e n t a p p e a r a n c e d e f e c t s,a n d t h e a v e r a g e d e t e c t i o n a c c u r a c y r e a c h e s 9 8.9 6%,w i t h a d e t e c t i o n t i m e o f a p p r o x i m a t e l y 0.0 9 s e c o n d s p e r i m a g e.C o m p a r e d w i t h t h e o r i g i n a l m o d e l,t h e d e t e c t i o n s p e e d i s d o u b l e d a n d t h e m o d e l s i z e i s r e d u c e d b y a b o u t 6 0%.T h e m o d e l i s a l s o v a l i d a t e d o n t h e P C B d e f e c t p u b l i c d a t a s e t,a c h i e v i n g f a s t d e t e c t i o n o f t a r g e t d e f e c t s.K e y w o r d s:e l e c t r o n i c c o m p o n e n t;d e f e c t d e t e c t i o n;YO L O X;a t t e n t i o n m e c h a n i s m*收稿日期:2 0 2 2-0 6-0 6;修回日期:2 0 2 2-0 8-1 3基金项目:国家自然科学基金(U 2 1 A 2 0 1 5 7)通信作者:刘知贵(l i u z h i g u i s w u s t.e d u.c n)通信地址:6 2 1 0 0 0 四川省绵阳市西南科技大学信息工程学院A d d r e s s:S c h o o l o f I n f o r m a t i o n E n g i n e e r i n g,S o u t h w e s t U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,M i a n y a n g 6 2 1 0 0 0,S i c h u a n,P.R.C h i n a C N 4 3-1 2 5 8/T PI S S N 1 0 0 7-1 3 0 X 计算机工程与科学C o m p u t e r E n g i n e e r i n g&S c i e n c e第4 5卷第8期2 0 2 3年8月 V o l.4 5,N o.8,A u g.2 0 2 3 文章编号:1 0 0 7-1 3 0 X(2 0 2 3)0 8-1 4 6 3-0 91 引言随着生活水平提高,人们的需求日益多样化,电子元器件的更新速度加快,人们对电子产品的需求也日益加大。电子元器件作为电子产品的重要部分,其质量好坏对电子产品是否能够长期稳定地工作有着重大的影响。研究高效而准确的电子元器件缺陷检测方法对电子产品质量控制和故障检测具有重要的实际意义。近年来,得益于神经网络技术发展和计算能力提升,涌现出了许多基于深度学习的目标检测方法1,2,主要分为两阶段检测和单阶段检测2类。两阶段检测方法是先进行区域生成,再进行分类,代表性方法有更快的区域卷积神经网络F a s t e r R-C N N(F a s t e r R e g i o n a l C o n v o l u t i o n a l N e u r a l N e t w o r k)3、C a s c a d e R-C N N4和M a s k R-C N N5等。单阶段检测方法是基于端到端的回归方式实现的,代表性方法有单次多盒检测器S S D(S i n g l e S h o t m u l t i b o x D e t e c t o r)6、一级检测器Y O L O v 3(Y o u O n l y L o o k O n c e v 3)7、Y O L O v 48和R e t i n a N e t9等。基于卷积神经网络的目标检测方法被广泛应用于元器件的表面缺陷检测。周天宇1 0提出了一种YO L O-E f f i c i e n t N e t方法来对载波芯片缺陷进行实时性检测;刘少乾1 1将F a s t e r R-C NN模型与在线困难样本挖掘OHEM(O n l i n e H a r d E x a m p l e M i n i n g)1 2相结合,研究了一种微小电子元器件的检测方法;魏相站等人1 3提出了一种基于改进的YO L O v 3的电容器外观缺陷检测方法;C h e n等人1 4结合YO L O v 3 和生成对抗网络算法1 5来对芯片晶粒的表面缺陷进行检测。上述方法结合不同应用场景实现了有针对性的优化,但在检测过程中存在参数量过多和检测时间长等问题。而电子元器件尺寸较小,缺陷种类多样化,特征不明显,在检测过程中难以保证精度提升的同时还具备实时性。针对此问题,本文提出了一种基于轻量化YO L O X1 6的电子元器件缺陷检测方法。2 Y O L O X目标检测方法2.1 Y O L O X网络结构YO L O X是旷视科技研究院在2 0 2 1年提出的一种无锚框单阶段检测器,在检测速度和精度上极具竞争力。考虑到模型的参数量和检测精度,本文采 用 其s模 型 作 为 检 测 框 架。图1所 示 为YO L O X网络结构,共分为3个部分:首先特征提取部 分 采 用 的 是 跨 阶 段 局 部 网 络C S P D a r k n e t(C r o s s S t a g e P a r t i a l D a r k n e t),在不同图像信息上进行特征提取,得到3种尺度的特征图;在特征融合部分,采用特征金字塔网络F P N(F e a t u r e P y r a-m i d N e t w o r k)1 7和 路 径 融 合 网 络P AN e t(P a t h A g g r e g a t i o n N e t w o r k)1 8来进行深层特征提取;最后输出端是网络的预测部分,输出分别传入3个解耦头进行目标框预测,得到预测结果。F i g u r e 1 S t r u c t u r e o f YO L O X n e t w o r k 图1 YO L O X网络结构2.2 Y O L O X组件主干部分:特征提取网络C S P D a r k n e t,包括C S P结构、F o c u s处理、C B S处理和空间金字塔池化S P P(S p a t i a l P y r a m i d P o o l i n g)。(1)C S P结构。在C S P结构中,将原基础层左右拆分为P a r t 1和P a r t 2 2部分,P a r t 2部分继续进行卷积堆叠,P a r t 1部分经过少量处理后与P a r t 2合并,不仅减少了计算量,而且还可以保证一定准确率。C S P结构如图2所示。F i g u r e 2 S t r u c t u r e o f C S P 图2 C S P结构(2)F o c u s处理。F o c u s处理为切片操作,在一幅图像中每隔一个像素取一个值,得到4个独立的特征层,将其堆4641C o m p u t e r E n g i n e e r i n g&S c i e n c e 计算机工程与科学 2 0 2 3,4 5(8)叠,此时宽高信息就集中到了通道信息,输入通道扩充了4倍。切片操作如图3所示。F i g u r e 3 S l i c i n g o p e r a t i o n图3 切片操作(3)C B S处理。YO L O X网 络 的C B S处 理 部 分 由 卷 积 层C o n v、批量标准化B N(B a t c h N o r m a l i z a t i o n)与S i-l u函数3部分组成。图像先经过卷积层C o n v得到输入的不同特征,再通过B N层进行批处理数据规范化,最后使用S i l u激活函数处理结果。F i g u r e 5 S t r u c t u r e o f i m p r o v e d YO L O X n e t w o r k 图5 改进YO L OX网络结构(4)S P P结构。S P P结构是一种对特征网络提取的特征图进行不同分块池化再进行特征拼接的结构,大大增大了感受野,提高了特征图的特征信息表达能力。S P P结构如图4所示。F i g u r e 4 S t r u c t u r e o f S P P n e t w o r k 图4 S P P网络结构N e c k部分:N e c k 网络采用 F P N 结合 P AN e t的结构,作为网络的融合部分。预 测 端:通 过 非 极 大 抑 制NM S(N o n-M a x i m u m S u p p r e s s i o n)方法筛选目标框,保留置信度最高的预测框信息,完成目标检测过程。3 改进的Y O L O X网络设计3.1 方法网络本文对YO L O X作出有针对性的改进,首先,为了减少网络参数量,缩短检测时间,使用深度可分离卷积D S C(D e p t h w i s e S e p a r a b l e C o n v o l u t i o n)替换C S P D a r k n e t主干网络中的普通卷积,实现轻量化处理;其次,搭建特征加强模块,加强小尺寸缺陷的特征权重;在特征融合的采样过程中,加入高效 通 道 注 意 力E C A(E f f i c i e n t C h a n n e l A t t e n-t i o n)1 9,在略微增加参数量的情况下,提升检测精度;最后,引入余弦退火算法加速模型收敛,并采用有 效 交 并 比E I o U(E f f i c i e n t I n t e r s e c t i o n o v e r U n i o n)2 0损失函数优化交并比I o U(I n t e r s e c t i o n o v e r U n i o n)损失函数,使模型达到最佳检测效果。改进YO L O X网络的整体设计如图5所示。3.2 深度可分离卷积神经网络主要由不同的卷积核堆叠而成,随着其网络模型复杂度的不断增加,如何减少参数量是模型训练中不可或缺的一环。为了提高检测效率,本文采用深度可分离卷积代替一般卷积,D S C主要由深度卷积和点卷积组成,可大大减少模型的理5641吴栋梁等:基于轻量化YO L O X的电子元器件缺陷检测方法研究论参数量。对于 普通卷积,设输入特 征 图 尺 寸 为KKM,卷积核尺寸为FFM,数量为N,步长为1。特征图空间维度共包含KK个点,而对每个点进行卷积操作的计算量与卷积核的尺寸一致,即FFM,所以对单个卷积而言,其计算量为:KKFFM。那么对N个卷积,其总计算量为:KKFFMN。对于深度可分离卷积进行类似分析,可知深度卷积计算量为:KKFFM。点卷积计算量为:MNKK。所以,深度可分离卷积 的计算总量 为:KKFFM+MNKK。那么,相对于普通卷积,深度可分离卷积的计算总量与普通卷积的比值为:(1/N+1/F2)。总结上述可知,深度可分离卷积的计算效率远远优于普通卷积,将主干网络中的普通卷积替换为深度可分离卷积,可大幅减少模型参数量,使模型更加轻量化。3.3 空间金字塔的改进S P P结构由C o n v、M a x p o o l和C o n c a t组成,但是S P P结构在特定范围中选取最大值时,M a x-p o o l将导致一些问题。M a x p o o l虽然可以减少参数的数量,但是在选择过程中会丢失大量信息。如果目标与背景相似,很容易丢失有用的信息。改进后的S P P结构采用S o f t P o o l2 1来代替M a x p o o l,S o f t P o o l是一种可微的池化方式,通过对区域R中像素点的值按比例加权求和得到,原理如式(1)所示:a=mRwm*am(1)其中,wm=eamjReaj,在激活区域R内,每个像素点都会有对应权重值wm,该权重值为像素点与激活区域内所有像素点之和的比值。S o f t P o o l根据元素的相应值按比例选择特征映射,避免了M a x p o o l遗漏某些细节的缺点,提高了对小目标缺陷的检测精度。改进后的S P P结构如图6所示。F i g u r e 6 S t r u c t u r e o f i m p r o v e d S P P n e t w o r k 图6 改进S P P网络结构3.4 特征加强模块原始图像经过主干网络卷积后直接输入到特征融合网络,进行特征融合。但是,直接进行融合得到的特征图会存在一些对当前任务用处不大或无用的特征,因此本文设计特征加强模块来加强有效特征,抑制无效或者效果微乎其微的特征,使网络的检测效果更好。特征加强模块由改进后的S P P网络和E C A网络组成,如图7所示。其中,E C A模块是一种获取局部跨通道交互的模块,其网络结构如图8所示。F i g u r e 7 F e a t u r e e n h a n c e m e n t m o d u l e 图7 特征加强模块F i g u r e 8 N e t w o r k s t r u c t u r e o f E C A m o d u l e 图8 E C A模块网络结构图8中,首先是通过G l o b a l p o o l i n g产生11C大小的特征图,然后计算自适应的卷积核大小k,最后将卷积核大小k应用于一维卷积中,得到每个通道的权重。将不同权重与主干网络获取的特征相结合,最终得到有效特征。通道数C一般都是2的指数,如式(2)所示:C=(k)=2(*k-b)(2)k=(C)=l b(C)+bo d d(3)其中,|x|o d d 表示选择最近的奇数,=2,b=1。3.5 优化器的改进优化器可在一定程度上调整网络的权重,以符合梯度损失。梯度下降法是优化器的一种,主要目的是通过迭代寻找到目标函数的最优解。但是,目标函数可能是多峰的,在寻找全局最优解的过程中还存在多个局部最优解,在训练过程中梯度下降法6641C o m p u t e r E n g i n e e r i n g&S c i e n c e 计算机工程与科学 2 0 2 3,4 5(8)可能使算法陷入局部最优。为避免陷入局部最优,本文采用余弦退火算法进行训练。这是一种带重启的随机梯度下降方法,当执行完Ti个E p o c h之后就会开始热重启,下标i指示重启次数,其中重启并不是从头开始,而是通过增加学习率来跳出局部最优。重启之后使用旧的xt(t表示时刻)作为初始解,xt即通过梯度下降求解损失函数的解,也就是神经网络中的权重。因为重启就是为了通过增大学习率来跳过局部最优,所以需要将xt置为旧值。余弦退火的原理如式(4)所示:t=im i n+12im a x-im i n 1+c o sTc u r Ti (4)其中,t表示当前时刻t的学习率,im i n和im a x分别表示学习率的最小值和最大值,Tc u r表示当前执行了多少个E p o c h,Ti表示第i次运行中总的E p-o c h数。3.6 损失函数的改进在检测中常用的损失函数包括边界框回归损失(l o s sb o x)、置信度损失(l o s so b j)和分类损失(l o s sc l s),损失如式(5)所示:L o s s=l o s sb o x+l o s so b j+l o s sc l s(5)其中,原边界框回归损失采用I o U来反映预测检测框与真实检测框的检测效果,具有尺度不变性。I o U计算方法如式(6)所示:I o U=|AB|AB|(6)其中,A和B分别表示预测框与真实框的区域。但是,将I o U作为预测位置信息误差的损失时,存在2个缺点:如果2个框不相交,不能反映两者距离大小,在损失为0的情况下,没有梯度回传,从而无法进行训练;I o U无法精确地反映两者的重合度大小。针对I o U存在的上述问题,本文使用E I o U函数替换原I o U函数。相较于I o U,E I o U不仅解决了回归重叠一致性问题,还使其预测框长宽比尽量拟合目标框长宽比。E I o U损失计算公式如式(7)所示:E I o U=1-I o U+2b,bg t c2+2w,wg t C2w+2h,hg t C2h(7)其中,b和bg t分别表示预测框和真实框的中心点,表示2个中心点间的欧氏距离,c表示能够同时包含真实框和预测框的最小封闭区域的对角线距离,w和h分别表示预测框的宽和高,wg t和hg t分别表示真实框的宽和高,Cw和Ch是包含2个的最小外接框的宽度和高度。4 实验与结果分析4.1 实验环境与数据集本文实验环境为:W i n d o w s 1 0操作系统,计算机C P U为I n t e l(R)X e o n(R)G o l d 6 1 3 0,内存为1 2 8 G B,G P U为NV I D I A Q u a d r o P 5 0 0 0 1 6 G B,G P U运算平台和加速库分别为C u d a 1 1.0和C u d-n n 1 0.0,软件及环境为A n a c o n d a、P y C h a r m和P y-T o r c h。数据集:通过实验室图像采集设备对电子元器件外观缺陷样本进行图像采集,采集得到电子元器件外观缺陷图像6 0 0幅。缺陷共有8类,其中线长、连焊、掉线、粘胶、堆锡、虚焊和烫伤7种缺陷每种8 0幅,交叉缺陷4 0幅。由于缺陷图像数量不足,训练出的模型鲁棒性不足,因此对采集到的6 0 0幅图像进行反转、旋转、明亮变化、色温变化、强化边缘以及随机像素置零操作,将样本图像进行1 0倍扩充后总数达到6 0 0 0幅。如图9所示,图9 a和图9 c是数据集扩充前的检测结果,图9 b和图9 d是数据集扩充后的检测结果。在元器件烫伤缺陷中,图9 a较图9 b少检测1个部位,并且图9 a相较图9 b其他缺陷部位检测精度较低。图9 c和图9 d是在明亮变化情况下对堆锡缺陷的检测效果,相比于图9 d,图9 c未检测出缺陷。由此可看出,数据集的扩充明显改善了漏检情形,并且缺陷识别率有所提高,具有更好的泛化性和鲁棒性。F i g u r e 9 C o m p a r i s o n o f d e t e c t i o n r e s u l t s b e f o r e a n d a f t e r i m a g e e x p a n s i o n 图9 图像扩充前后检测结果对比图与此同时,将北京大学发布的P C B瑕疵公共数据集作为验证集。为防止过拟合,采用上述扩充7641吴栋梁等:基于轻量化YO L O X的电子元器件缺陷检测方法研究数据集方法将P C B瑕疵公共数据集由原来6 9 3幅扩充到6 9 3 0幅。随机将数据集的9 0%划为训练集进行模型训练,1 0%划为测试集进行模型测试。4.2 评价指标本文采用平均精度A P(A v e r a g e P r e c i s i o n)、均值平均精度mA P(m e a n A v e r a g e P r e c i s i o n)、模型大小(P a r a m s s i z e)、检测速度(秒/幅)作为模型的评价指标,其计算公式如式(8)式(1 1)所示:P=T PT P+F P(8)R=T PT P+FN(9)A=10P(R)dR(1 0)mA P=nf=1A Pfn(1 1)其中,T P(T r u e P o s i t i v e)表示原本为正样本且被检测为正类的数量,F P(F a l s e P o s i t i v e)表示原本为负样本但被检测为正类的数量,FN(F a l s e N e g-a t i v e)表示原本为正样本但被检测为负类的数量,P(P r e c i s i o n)为精确率,R(R e c a l l)为召回率。A P表示P R(P r e c i s i o n-R e c a l l)曲线下阴影部分的面积,n表示待检测目标的类别数,mA P表示所有类A P值总和的平均值。4.3 模型训练本文将批处理大小设置为1 6,分2步完成模型训练,共对模型训练5 0 0个E p o c h。其中,前2 0个E p o c h对模型进行预热,将初始学习率设置为1 0-3,剩余4 8 0个E p o c h的学习率设置为1 0-4,为避免模型陷入局部最优,采用余弦退火算法进行训练。训练中的损失变化过程如图1 0所示,其中t r a i n_l o s s表示训练集损失,v a l_l o s s表示验证集损失。从图1 0中可以看出,在第4 0 0个E p o c h后,训练集和验证集损失趋于稳定。F i g u r e 1 0 T r a i n i n g l o s s c u r v e 图1 0 训练损失曲线4.4 改进方法实验结果分析随着计算能力的提高,深度学习模型大都基于G P U来进行训练,使得模型检测速度大大提高。虽然只有C P U的设备检测速度较慢,但是也具有一定的应用价值。不同型号C P U的时间检测效率如表1所示。T a b l e 1 C o m p a r i s o n o f d e t e c t i o n t i m e u s i n g d i f f e r e n t C P U s表1 不同型号C P U检测时间对比型号总时间/s检测速度/(秒/幅)I n t e l(R)X e o n(R)G o l d 6 1 3 03 2 7 7.1 95.4 6AMD R y z e n 7 5 8 0 0 H3 8 4.8 90.6 4I n t e l(R)X e o n(R)G o l d 6 1 3 0+P 5 0 0 05 9.8 80.0 9 在实验环境不变的情况下,不使用G P U来对6 0 0幅图像进行检测,检测时间特别长,每幅图像检测时 间 达 到5.4 6 s,效 率 较 低。在 另 外 一 台C P U为AMD R y z e n 7 5 8 0 0 H的设备上进行测试,检测速度提高到了0.6 4秒/幅,说明C P U的性能对结果有一定的影响。使用G P U来进行实验是效率最 高的方式,因 此后面所有 实验都是基 于G P U来进行训练和测试的。为了验证本文方法中深度可分离卷积、特征加强模块和损失函数协同后处理的有效性,采用消融实验进行对比分析。消融实验结果如表2所示。T a b l e 2 A b l a t i o n e x p e r i m e n t a l r e s u l t s o f e l e c t r o n i c c o m p o n e n t s表2 电子元器件实验消融结果实验序号D S CS o f t P o o lE C AE I o Um A P/%P a r a m ss i z e/MB检测速度/(秒/幅)1-9 7.9 63 4.2 10.2 12-9 1.2 01 3.5 30.0 93-9 8.6 21 4.3 10.1 04-9 8.7 61 4.3 10.1 059 8.9 61 4.3 10.0 9 从表2中可以看出引入不同的改进策略对检测效果的影响。与实验1相比,实验2在实验1 的基础上使用了深度可分离卷积,极大地减少了模型的参数量,提高了模型的检测速度,但由于参数量的减少使得检测精度下降了6.7 6%;与实验2相比,实验3在其基础上将空间金字塔池化结构的M a x p o o l替换为S o f t P o o l,并在特征提取后引入该模块,保留了更多的缺陷特征,克服了实验2带来的精度不足问题,在模型大小增加了0.7 8 MB的基础 上,使 得 检 测 精 度 由9 1.2 0%提 升 到 了9 8.6 2%;与实验3相比,实验4在空间金字塔池化8641C o m p u t e r E n g i n e e r i n g&S c i e n c e 计算机工程与科学 2 0 2 3,4 5(8)结构上加入高效通道注意力,进一步提高了模型的检测精度;与实验4相比,实验5在实验4基础上优化了I o U损失函数,解决了回归重叠一致性问题,还使目标框与预测框的宽高之差最小,收敛速度更快,最终mA P值达到9 8.9 6%,检测速度为0.0 9秒/幅。通过上述实验对比分析得出,最终的改进模型在实现轻量化的同时保证了检测精度。为进一步验证本文方法的鲁棒性,在同一实验环境下将其分别与F a s t e r R-C NN、YO L O v 4、S S D和C e n t e r N e t检测方法进行对比分析,训练后的P R曲线如图1 1所示。图1 1中P R曲线下方的面积就是不同算法同一类别的A P值。曲线下方的面积越大,说明其对应的A P值越高。F i g u r e 1 1 P R c u r v e s o f d e f e c t s o f d i f f e r e n t m e t h o d s图1 1 不同方法的缺陷P-R曲线不同方法在不同缺陷上的A P值如表3所示。对比 表3中5种 检 测 方 法,可 以 看 出 改 进 后YO L O X网络的mA P比F a s t e r R-C NN网络的高1 2.6 7%,模型大小缩小了9 4.2 9 MB;比YO L O v 4网络高0.4 9%,模型大小缩小了2 3 1.2 2 MB;比S S D网络高1.0 8%,模型大小缩小了8 5.9 6 MB;比C e n t e r N e t网 络 高0.8 7%,模 型 大 小 缩 小 了1 1 0.3 0 MB。并且,检测速度均快于其他检测模型的。综合可知,改进的轻量化YO L O X方法在自制电 子 元 器 件 数 据 集 上 检 测 性 能 优 于F a s t e r R-C NN、YO L O v 4、S S D和C e n t e r N e t,满足轻量化需求。检测效果图如图1 2所示。T a b l e 3 C o m p a r i s o n o f t h e p r o p o s e d m e t h o dw i t h o t h e r d e t e c t i o n m e t h o d s表3 本文方法与其他检测方法的对比缺陷类别A P/%F a s t e r R-C NN YO L O v 4S S DC e n t e r N e tO u r s粘胶8 8.8 09 9.9 81 0 01 0 01 0 0交叉9 2.3 71 0 09 9.5 61 0 01 0 0连焊1 0 01 0 01 0 01 0 01 0 0掉线9 2.5 09 8.8 19 8.8 19 8.8 19 8.8 1线长9 5.0 99 8.2 19 8.9 99 8.1 89 8.7 9堆锡7 6.2 69 8.6 89 8.0 19 8.6 89 8.6 8烫伤6 6.5 99 6.2 69 4.5 59 4.3 09 9.6 9虚焊7 8.7 19 5.7 89 3.1 69 4.7 79 5.7 4m A P/%8 6.2 99 8.4 79 7.8 89 8.0 99 8.9 6检测速度/(秒/幅)0.1 80.1 90.1 10.2 00.0 9P a r a m ss i z e/MB1 0 8.6 02 4 5.5 31 0 0.2 71 2 4.6 11 4.3 1 图1 2 a和图1 2 b是在同一背景下进行的多元器件检测结果,图1 2 c和图1 2 d分别是背景为织布和条纹的检测结果,不仅证实了该方法在同一背景下能进行多元器件缺陷的检测,而且还证实了模型在不同背景下对元器件缺陷检测的有效性。由于电子元器件数据集属于自制数据集,为了证明本文检测方法的鲁棒性和有效性,故将北京大学发布的P C B瑕疵公共数据集作为验证集。在同9641吴栋梁等:基于轻量化YO L O X的电子元器件缺陷检测方法研究F i g u r e 1 2 D e t e c t i o n e f f e c t 图1 2 检测效果图一实验环境下,实验结果如表4所示。从表4可以看出,在P C B瑕疵公共数据集上,检测方法每一次改进后检测精度都得到了有效提升,最终检测精度达到了9 7.1 1%。模型的检测速度相比未改进之前提高了约4 0%,进一步证明了该模型在检测速度上的高效性和鲁棒性。T a b l e 4 A b l a t i o n e x p e r i m e n t a l r e s u l t s o n P C