基于深度学习的实时PCB缺陷检测系统的研究.pdf

中文摘要

印刷电路板（PrintedCircuitBoard,PCB）是电子类产品的核心部件，其质量直

接影响整个产品的性能和可靠性。然而生产过程中难免出现PCB缺陷，从而导致电

子产品无法正常工作，甚至出现安全隐患。因此电路板缺陷自动检测在提高企业良

品率、保证高效生产力、提升品牌声誉等方面显得尤为重要，对促进我国在智能制

造和产业数字化方面保持竞争力具有现实意义。目前PCB缺陷检测方法中存在人工

检测主观性大，无法适应复杂的电路检测和光学检测系统中的激光成像初始成本高、

使用维护问题多、系统电路复杂的问题。为了减少PCB缺陷检测系统的造价成本和

使用维护问题，实现嵌入式检测系统的实时性、自动化和便捷性的需求。为此本文

分别提出了基于深度学习算法的Centernet-SPMFF和YOLO_AD网络，通过实验对

比，将最优改进模型采用MVC架构进行硬件迁移，最终构筑一套实时在线PCB缺

陷检测系统样机。具体工作如下：

（1）首先介绍了PCB缺陷检测系统的研究意义与现状，分析了当前光学系统

对PCB缺陷检测技术的优缺点。结合深度学习目标检测应用，以有无先验框和网络

参数量的特征，选择了不同类型的Centernet和YOLOv5网络模式为PCB缺陷测试

的基本网络模型。

（2）通过TX2硬件平台解决PCB缺陷检测系统中的硬件选择与搭建问题，采

用MVC（ModelViewController）架构实现了一个完整的缺陷检测的嵌入式神经网

络系统。研究硬件网络迁移部署并分析造价成本，GPU性能，运行内存和计算参数，

以TX2采用MVC架构进行系统开发部署。

（3）针对PCB缺陷检测系统成本高、检测单一等问题，提出了改进的

Centernet和YOLOv5网络模型，并采用空洞残差卷积结构、串并联多尺度特征融合

（SeriesandParallelMulti-scaleFeatureFusion，SPMFF）以及Ghost模块等技术来

优化网络结构，提高检测效率和压缩模型，从而实现模型的对比迁移。Centernet网

络只改变缺陷特征的感受域并不增加运算量，再结合SPMFF获得高分辨率和小目标

缺陷特征信息；YOLOv5将轻量型Ghost模块作为骨干特征网络，融合通道注意力

机制，引入空洞残差网络，从而避免了对网络模型的卷积计算量，提高了网络计算

效能。

I

（4）通过进行消融实验对比改进的Centernet-SPMFF网络和YOLO_AD网络，

从模型容量、检测速度和检测精度比较最终选择YOLO_AD模型应用于PCB缺陷检

测系统中。前者提升了检测精度且减少了模型容量，后者网络容量和网络参数量与

原网络相比下降了约64%，极大的提升了网络的目标检测速度。

（5）最后建立了图像采集，模型识别，检测结果可视化功能为一体的实时性

检测样机，此智能检测系统装置检测PCB各类缺陷识别率高达92.80%，检测速度

为30FPS。

关键词：机器视觉；PCB缺陷检测；深度学习；嵌入式系统；实时性

II

目录

中文摘要I

AbstractIII

1绪论1

1.1研究意义与背景1

1.2国内外研究现状2

1.3研究内容及章节安排5

2目标检测算法理论基础8

2.1传统的目标检测算法8

2.2卷积神经网络理论基础9

2.2.1卷积层9

2.2.2池化层10

2.2.3激活函数11

2.2.4全连接层13

2.3基于深度学习的目标检测算法13

2.3.1双阶段算法14

2.3.2单阶段算法15

2.3.3AnchorFreed算法17

2.3.4Transf