基于深度学习的PCB缺陷检测算法研究.pdfVIP

摘要

印刷电路板（PrintedCircuitBoard，PCB）是电子元器件的集合，有助于不同的电

子元器件相互连接，更是电子产品的重要组成部分，相当于电子产品的“大脑”。PCB由

覆铜板制成，在制作过程中PCB容易出现焊点缺孔、开路、鼠咬、毛刺等缺陷，最终

导致产品无法使用。因此，对PCB裸板的缺陷检测是极为必要的。

现阶段，深度学习方法在PCB缺陷检测问题上得到广泛应用，使用目标检测模型

能够大大节约人力成本，提高生产效率。但是依然存在样本数据缺乏、检测精度低、

漏检、误检、边缘部署困难等问题。为解决样本数据缺乏问题，本文自制了PCB缺陷

数据集，用以增加模型训练时的样本数量。为解决漏检、缺检、模型精度和大小不均

衡问题，本文提出了一种改进YOLOv5的PCB缺陷检测算法模型，在提升PCB缺陷检测

精度的同时，减少原模型的计算量，还能保证实时检测。通过“云-边-端”架构设计，

在云端训练，边缘端推理、用户端感知的方式，实现工业生产车间智能化检测。基于

这些任务本文开展了以下工作：

（1）在现阶段的PCB缺陷检测研究中，公开数据集匮乏，且数据集中样本的数量

也较少，故为了增强本研究模型的泛化性，论文中所用的PCB缺陷数据集，包括公开

的数据集和自制的数据集两类，自制的数据集制作包括采集、筛选、标注、标签转化、

训练集和验证集划分等步骤。本文自制的数据集，一方面补充验证本文算法的可行性，

另一方面为后续学者研究提供数据支撑。

（2）虽然经典的目标检测模型对缺陷目标的识别和定位准确率较为可观，但是由

于其深层的网络结构，通常会导致计算量过于庞大。并且由于PCB图像背景与缺陷的

特征极为相似，缺陷尺寸也较小，识别与定位更为复杂，在实际应用中还需要优化。

本文提出的PCB缺陷检测算法模型，解决了现阶段研究中只关注提升PCB缺陷检测的精

度而忽略其计算量和实时性需求的问题。该算法模型在主干网络部分引入了动态卷积

ODConv，并用Resnet18替换原始的主干网络，颈部网络部分引入了轻量化卷积GSConv，

并采用了具有VoV_GSCSP的轻量化颈部设计。本模型在精度和速度上都能够满足工业

生产过程中PCB缺陷检测的需求。在不扩充数据集的情况下，其mAP达95%，模型的计

算量仅为7.8GFLOPs，较原始的模型减少了50.6%。FPS达49.53，满足实时检测需求。

（3）为了将改进后的YOLOv5模型落地到实际工业生产中，采用了“云-边-端”

架构，利用边缘端的算力，进行模型的实时检测。利用边缘设备存在的计算和存储资

源，将工业生产中的检测任务，从云数据中心扩展至离数据源更近的网络边缘。基于

人机交互的可视化GUI界面，便于管理人员在云端实时监测和数据分析，满足智能化时

代工业生产需求，具有一定程度的实用价值。

关键词：PCB；目标检测；卷积神经网络；YOLOv5；边缘智能；

Abstract

PrintedCircuitBoardisacollectionofelectroniccomponentstohelpdifferent

electroniccomponentsconnectedtoeachother,isanimportantpartoftheelectronicproducts,

equivalenttothebrainoftheelectronicproducts.PCBismadeofcopper-cladplate,through

thecoppersinking,laminating,plating,etchingandotherprocessestoformthePCB

prototype,thisprocessPCBispronetosolderjointsmissingholes(missinghole),opencircuit

(opencircuit),mousebites(opencircuit),mousebite(thebrain)