关键词:
机器视觉
PCB缺陷检测
深度学习
嵌入式系统
实时性
摘要:
印刷电路板(Printed Circuit Board,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(Model View Controller)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(Series and Parallel Multi-scale Feature Fusion,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。(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。