(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211217129.9 (22)申请日 2022.09.30 (71)申请人 湖南科技大 学 地址 411201 湖南省湘潭市雨湖区石码头2 号 (72)发明人 陈祖国　李玉青　陈超洋　卢明　 陈永伟　 (74)专利代理 机构 湘潭市汇智专利事务所(普 通合伙) 43108 专利代理师 陈伟 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进Yolov5算法的PCB 表面缺陷检测方 法 (57)摘要 本发明公开了一种基于改进Yolov5算法的 PCB表面缺陷检测方法， 包括以下步骤： 建立 yolov5网络； 在yolov5网络中的anchors增加小 目标检测和小目标检测网络 结构层； 将yolov5网 络的主干网络中的最后一个C3层替换为 Transformer编码器的C3TR； 在yolov5网络的主 干网络中的SPPF层前增加注意力机制模 块CA； 对 模型进行训练， 得到目标检测最优模型； 利用最 优模型进行目标检测， 输出目标检测结果， 并对 检测结果进行评价。 本发明有效地提高了PCB缺 陷检测的精度， 缩短了PCB缺陷检测的时间和提 高检测效率， 能够满足工业 生产的需求。 权利要求书2页 说明书5页 附图3页 CN 115546144 A 2022.12.30 CN 115546144 A 1.一种基于改进Yo lov5算法的PCB表面 缺陷检测方法， 其特 征在于， 包括以下步骤： 步骤1： 获取公开的数据集， 然后对PCB图像和标签进行 数据预处 理， 建立yo lov5网络； 步骤2： 在建立的yolov5 网络中的锚框anchors中增加小目标检测框和小目标检测网络 结构层； 步骤3： 将yolov5网络的主干网络中的最后一个C3层替换为Transformer编码器的 C3TR， C3TR为3个Transformer编码器的残差结构， 对yo lov5网络进行编码； 步骤4： 在yolov5网络的主干网络中的最后一层的SPPF层的前一层增加注意力机制模 块CA， 得到融合了 C3TR模块和CA的yo lov5网络模型； 步骤5： 把PCB表面缺陷样本缩放至预设大小， 然后送入融合了C3TR模块和CA的yolov5 网络模型中进行训练， 得到目标检测最优 模型； 步骤6： 利用步骤5的最优模型进行目标检测， 输出目标检测结果， 并对检测结果进行评 价。 2.根据权利要求1所述的基于改进Yolov5算法的PCB表面缺陷检测方法， 其特征在于， 所述步骤1)中， yolov5网络包括骨干网络和检测头部， 骨干网络作用是进行特征提取， 检测 头部包括两个部分， 分别是neck和prediction； 利用自顶向下和从下到上的连接方式FPN+ PAN， 对骨干网络提取到的特 征进行多尺度融合处 理， 再送入检测层。 3.根据权利要求2所述的基于改进Yolov5算法的PCB表面缺陷检测方法， 其特征在于， 所述步骤2)具体步骤为： 2‑1)首先在初始anchors设置中增 加一组较小的anc hor； 2‑2)接着在backbone网络中的第17层后， 继续对特征 图进行上采样处理， 使得特征 图 继续扩大， 同时在第20层时， 将获取的特征图与网络骨干中的第二层特征图进行concat融 合， 以至于获得更大的特征图进行小目标检测； 2‑3)最后在检测层增 加小目标检测层， 共使用四层[21,24,27,3 0]进行检测。 4.根据权利要求3所述的基于改进Yolov5算法的PCB表面缺陷检测方法， 其特征在于， 所述步骤3)中， Transformer编码器的结构包括两个模块： 第1子层为多头注意力层multi ‑ head attention  layer， 第2子层为全 连接层MLP， 每个子层之间使用残差连接， 其中层的归 一化Layer Norm和Dr opout是一种防止模型过拟合的技术， 它的基本思想是在训练的时候随 机的丢弃dropout一些神经 元的激活， 这样让模型 更鲁棒， 防止过拟合。 5.根据权利要求4所述的基于改进Yolov5算法的PCB表面缺陷检测方法， 其特征在于， 所述步骤4)中， CA旨在增强移动网络学习特征的表达能力， CA对yolov5网络中的任意的特 征张量X进行转 化变化后输出同样的尺寸的张量Y： X＝[x1,x2,...,xc]∈RH×W×C Y＝[y1,y2...,yc]∈RH×W×C 其中W表示宽度， H表示高度， C表示通道数， xc是与c通道相关的输入特征张量， yc与c通 道相关的输出张量； CA是为了获取图像宽度和高度的注意力并对精确的信 息进行编码， 首先在特征图宽度 和高度方向进行全局平均池化， 以此获得宽度和高度两个方向的特 征图， 公式为： 权　利　要　求　书 1/2 页 2 CN 115546144 A 2其中 是高度为h的第c通道 的输出， 宽度为w的第c通道 的输出， i和j分别是 宽度和高度的取值范围； xc(h,i)表示 给定输入X， 沿着水平坐 标对每个 通道进行编码； xc(j, w)表示给定 输入X， 沿着垂直 坐标对每 个通道进行编码。 6.根据权利要求5所述的基于改进Yolov5算法的PCB表面缺陷检测方法， 其特征在于， 所述步骤6)中， 利用mAP、 准确率Precision、 召回率Recall的实验结果体 现出该算法的优越 性， 各评定指标计算公式如下： 其中AP表示平均精度， TP表示真正例， FN表示 假反例， FP表示 假正例， TN表示真反例。权　利　要　求　书 2/2 页 3 CN 115546144 A 3