ISSN1006－7167CN31－1707/TＲESEAＲCHANDEXPLOＲATIONINLABOＲATOＲY第42卷第2期Vol．42No．22023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:TP391文献标志码:A文章编号:1006－7167(2023)02－0108－07PCBDefectDetectionMethodBasedonLT-YOLOv5sZHANGKaisheng，LIHaochen，GUANKaikai，PENGPeng(SchoolofElectricalandControlEngineering，ShaanxiUniversityofScienceandTechnology，Xi’an710021，China)Abstract:Aimingattheproblemsoflowdetectionaccuracyandpoorreal-timeperformanceoftraditionalPCBdefectdetectionalgorithms，animprovedPCBdefectdetectionmethodbasedonYOLOv5snetworkisproposed．Firstly，forthedefectcharacteristics，thedetectionscaleoflargetargetsisremoved，andthedetectionscaleofsmallandmediumtargetsisretained．Secondly，theTransformermoduleisusedtoreplacetheBottleneckCSPmoduleattheendofthenetworkmodel，whichimprovestheabilityofthenetworkmodeltocapturetargetfeatures．Finally，combinedwiththecoordinateattentionmodule，modelperformanceisimprovedandparametersarereduced．TakingthePCBdatasetreleasedbyPekingUniversityasthetestobject，theresultsshowthatthemeanaverageprecision(mAP)oftheimprovedalgorithmreaches99．04%，andtheaveragedetectionspeedis19ms/frame．TheimprovedalgorithmcandetectPCBdefectsmorequicklyandeffectively．Keywords:defectdetection;YOLOv5salgorithm;Transformermodule;detectionscale;coordinateattentionmechanism收稿日期:2022-04-08基金项目:陕西省自然科学基础研究计划...
