【基于 YOLOv5 的轻量化 PCB 缺陷检测】

【网络星空】

已于 2022-07-17 22:34:21 修改

阅读量1.1k

点赞数 1

分类专栏： yolo ubuntu qt 文章标签：深度学习机器学习计算机视觉

于 2022-05-27 15:13:34 首次发布

本文链接：https://blog.csdn.net/weixin_42483745/article/details/125004020

版权

针对PCB缺陷检测，本文提出基于YOLOv5的轻量化算法，结合四尺度检测、FPGM剪枝、CA注意力机制和锚框优化，提升检测精度至99.06%，同时模型压缩至0.56MB，兼顾速度和体积，有效降低漏检和误检。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、摘要

针对PCB缺陷检测误检、漏检问题严重。提出一种基于YOLOv5 的轻量化PCB缺陷检测算法。该算法使用四尺度检测机制扩大模型检测范围，增加深层语义信息与浅层语义的融合，丰富微小缺陷的检测；通过FPGM剪枝，对模型进行压缩，降低计算量、提高推理速度，实现轻量化处理；在原有网络基础上增加CA注意力机制，过滤冗余信息，强化模型重要信息提取能力；使用聚类和遗传学习算法对锚框进行调节，加快模型收敛速度、节省训练时间，提高模型预选框准确度；结果表明，模型经过优化后，精度可达到 99.06%；在仅考虑体积情况下，模型可压缩至 0.56MB。模型在检测精度、速度和体积上均有提高，满足PCB缺陷实时检测要求。

二、轻量化 PCB 缺陷检测算法

2.1、注意力机制

CA[18]注意力机制（Coordinate Attention）将位置信息融合到通道信息中。CA 在捕获通道特征的同时，还进行方向和位置的信息捕捉。因此，CA 注意力机制能更加精准的定位和识别图像中的重要信息。如图1所示，CA 注意力机制由两部分组成。第一部分为坐标信息嵌入。图像输入注意力机制后，池化层沿着水平和垂直方向进行编码，分别得到水平和垂直方向的特征图。然后将特征图进行拼接，利用 1×1 卷积函数得到中间特征图。第二部分为坐标信息特征图生成。首先沿着空间维度分解两个张量，分别沿水平和垂直方向进行卷积和激活函数处理，然后将两个方向的输出进行融合。
在这里插入图片描述
使用 CA 注意力机制能够在捕获位置信息的同时对通道信息进行捕获。而且，CA 注意力的计算量较小。

2.2、FPGM 剪枝

FPGM[19]（基于几何中值的卷积神经网络滤波剪枝算法）是一种通过修剪冗余滤波器的模型压缩方式。其主要思想是利用可代替性来进行模型特征的修剪，修剪掉的滤波器均为离几何中心最近的。FPAM 不再根据范数作为裁剪的标准，而是根据过滤器的可替代性确定裁剪规则。FPGM 剪枝原理如图2 所示，相较于传统剪枝方式，FPGM 保留了更多的特征信息。