论文部分内容阅读
电路板焊点缺陷检测和元器件检测对电子产品硬件生产质量至关重要。传统的自动光学检查设备对于每一款电路板都需要定制化注册并设计程序,步骤繁杂、耗时长,判断标准较为单一、呆板,检测的泛化能力差,在某些情况下容易误判,光照不佳、电路板颜色变化均会影响检测的精确率,对于多品种、小批量的生产场景而言性价比不高。近年来,随着计算资源的快速发展和硬件成本的降低,深度学习再次兴起,在目标检测、语音识别等研究领域展现了出色的性能,得到了广泛应用。因此,将深度学习方法引入电路板焊点缺陷及元器件检测研究具有极大的研究意义和工业应用价值。本文使用了两种经典的目标检测算法并提出了一种改进型算法,具体内容为:(1)采用经典的Faster R-CNN算法和YOLO V3算法对印制电路板装配成品(printed circuit board assembly,PCBA)进行焊点缺陷及元器件检测。两者均是端到端的目标检测算法。前者应用VGG16深度神经网络作为特征提取器,通过区域建议网络(region proposal network,RPN)实现候选框推荐,最后进行分类和定位,属于目标检测算法中的two-stage算法。后者使用Darknet53进行特征提取,之后进行分类和定位,属于目标检测算法中的one-stage算法。实验结果表明,二者具有较高的精确率,但基于VGG16的Faster R-CNN算法的平均精确率均值(mean average precision,mAP)明显低于 YOLO V3。(2)提出了 一种改进型的Faster R-CNN算法。用EfficientNet系列中EfficientNet B7网络结构的前8个阶段(stage)替代VGG16进行特征提取。使用广义交并比(generalized intersection over union,GIoU)作为边框回归损失,避免了最小化ln损失和最大化交并比在某些情况下没有强相关性的问题。使用性能更佳的Swish函数替代ReLU函数作为激活函数。实验结果表明,该改进算法在精确率上取得了显著提升,mAP接近0.99,对进一步的工业应用研究具有重大意义。