第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－００３８－０４基于ＣＴ－ＹＯＬＯｖ５的ＰＣＢ缺陷检测方法①徐丽丽（重庆师范大学计算机与信息科学学院，重庆４０１３３１）摘要：针对印刷电路板（ＰＣＢ，ＰｒｉｎｔｅｄＣｉｒｃｕｉｔＢｏａｒｄ）缺陷种类多、尺寸小、难以检测的问题，在ＹＯＬＯｖ５的基础上提出一种新的ＰＣＢ缺陷检测方法，重新设计加强特征网路，加强特征信息融合；引入注意力机制，使模型可以选择性过滤冗余信息、充分利用重要特征，提高模型对小尺寸缺陷的检测能力；引入Ｔｒａｎｓｆｏｒｍｅｒ结构，增强模型捕捉全局信息的能力，提高模型的准确率，最后得到新的模型记为ＣＴ－ＹＯＬＯｖ５。经试验发现，改进后的模型准确率可达９５．５１％，提高了模型的准确率，可满足ＰＣＢ缺陷检测要求。关键词：ＰＣＢ；缺陷检测；深度学习；目标检测中图分类号：ＴＰ３９１文献标识码：Ａ０引言印刷电路板是电子行业发展的基础，其缺陷检测技术一直备受关注。何瑞英［１］通过滤波器增强存在光照不均蜕化情况的ＰＣＢＡＯＩ图像，提出Ｏｔｓｕ阈值分割算法，有效提高图像分割的准确度。郭峰林等［２］提出了基于样本边缘点对准强度评价函数，证明了对准强度评价模型能准确地描述待测ＰＣＢ图像与样本图像间的对准程度。许多学者利用支持向量机进行ＰＣＢ缺陷检测［３－６］，取得了一定的成果，但是该方法需要人为构造特征，需要大量的先验知识。近年来，深度学习中的目标检测技术在ＰＣＢ缺陷检测领域得到了很好的应用，穆莉莉等［７］利用改进后的Ｆａｓｔｅｒ－ＲＣＮＮ目标检测算法检测ＰＣＢ缺陷，使检测精度达到９３．７６％。文献［８－１２］利用目标检测算法中的ＹＯＬＯｖ３，ＹＯＬＯｖ４算法进行ＰＣＢ缺陷检测，得到了较高的准确率。考虑到ＰＣＢ缺陷具有目标尺寸小、种类多样、检测难度大的特点，提出一种改进的ＹＯＬＯｖ５目标检测算法。１ＹＯＬＯｖ５目标检测算法ＹＯＬＯｖ５是目前ＹＯＬＯ系列中最新的算法，该算法主要由输入部分、特征提取部分、特征融合部分和检测头网络四部分组成，其中，输入部分用于接收输入数据并对输入数据进行Ｍｏｓａｉｃ数据增强；特征提取部分利用主干特征提取网络对数...
