基于深度学习的PCB裸板缺陷检测研究.pdfVIP

摘要

PCB在工业制造和通讯领域作为电子设备的核心组件，负责连接各种电子元

件，因此保障PCB裸板的出厂质量显得尤为关键。然而，在检测PCB裸板时，由

于生产时可能会受到外部环境的影响，使得采集到的检测图像分辨率过低，同时人

工检测在处理复杂的PCB裸板图像时可能会出现错误。基于深度学习的图像重建

和目标检测技术为PCB裸板缺陷检测提供了一种更加有效的解决方案，但现有的

重建和检测模型仍然存在一些如准确率有待提高，针对性较差，模型过大不利于部

署等问题。为了克服这些难题，本研究选择了SRGAN和YOLOv5s作为基本模型，

针对性地对它们进行改进，并设计并应用了一套高效的PCB裸板缺陷检测系统，

以完成PCB裸板图像的超分辨率重建和缺陷检测，为PCB制造行业带来更多的便

利和效益。课题的具体研究工作如下：

构建了基于改进SRGAN的PCB裸板缺陷图像超分辨率重建模型。用引入深

度可分离卷积的并联深度残差收缩网络重构生成器，在判别器中添加无参数的自

注意力机制，改进混合损失函数，并为重要的特征添加了能量权重分配，通过实验

分析对比原始模型在PSNR提升了1.67dB，SSIM值提升了1.2。

构建了基于改进YOLOv5s的PCB裸板缺陷检测模型。去除网络中大目标的

检测尺度，并增加小目标的检测尺度，通过K-mean++算法生成针对小目标的检测

框，在特征提取网络部分融入改进后的SE-S混合域注意力机制和全维度动态卷积，

并用SIoU作为新的损失函数，针对性的解决PCB裸板缺陷检测难题，最后通过

实验分析对比原始模型在公开数据集中精度提升了4.6%，在自建数据集中精度提

升了1.6%。

设计了PCB裸板缺陷检测系统。对工业相机、镜头、光源等图像采集硬件进

行分析与选型，完成对缺陷图像的采集；使用python第三方库PyQt5进行软件方

案的设计，完成图像重建与检测结果的可视化输出，使用自行采集的PCB裸板缺

陷数据集和北京大学公开数据集进行系统的实际检测，完成对缺陷图像的超分辨

率重建与检测，以证明本研究的检测系统具有较好的实用性。

关键词：深度学习，图像重建，目标检测，SRGAN，YOLOv5s，PyQt5

Abstract

Asthecorecomponentofelectronicequipmentinindustrialmanufacturingand

communication,PCBisresponsibleforconnectingvariouselectroniccomponents,soit

isparticularlyimportanttoensurethefactoryqualityofPCBbareboards.However,when

inspectingbarePCBs,theresolutionofthecapturedinspectionimagesistoolowdueto

theexternalenvironmentthatmaybeaffectedduringproduction,andmanualinspection

maycauseerrorswhenprocessingcomplexPCBbareboardimages.Theimage

reconstructionandobjectdetectiontechnologybasedondeeplearningprovidesamore

effectivesolutionforthedefectdetectionofPCBbareboards,buttheexisting

reconstructionanddetectionmodelsstillhavesomeproblems,suchastheaccuracyneeds

tobeimproved,thepertinenceispoor,andthem