基于改进的YOLO算法的PCB缺陷检测方法

本发明涉及计算机视觉与工业缺陷检测领域，具体而言，涉及基于改进的yolo算法的pcb缺陷检测方法。

背景技术：

1、印刷电路板作为电子元器件的支撑体和电气连接的载体，是工业缺陷检测中尤为重要的一环。常见的电子设备，例如家用电视机、笔记本电脑、智能手机的核心控制部分都离不开印刷电路板，工业生产中用到的plc控制器、变频器，其内部都搭载了不同规格的印刷电路板，印刷电路板的质量直接决定了电子产品的性能、可靠性与使用寿命。然而，在产品制造中，由于材料自身特性、工艺偏差、设备精度限制、外部环境等多重因素的影响，产生了短路、开路、漏孔、毛刺、残铜、鼠咬等多种类型的缺陷。这些缺陷即便尺寸微小，也可能导致整板功能失效，甚至引发严重安全事故。

2、传统pcb缺陷检测以物理无损检测与传统机器视觉为主。物理检测（磁粉、超声、涡流等）虽不损伤工件，但成本高、效率低、高度依赖人工经验，对复杂工件适应性差。传统视觉检测依托阈值分割、边缘检测、模板匹配等算法，对微小、低对比度、复杂背景缺陷鲁棒性差，泛化能力不足。传统机器学习依赖hog、sift等人工特征设计，特征工程繁琐，面对多变缺陷时检测上限较低。

3、深度学习凭借端到端自动特征学习成为主流方向，其中yolo系列因速度与精度均衡，广泛用于工业实时检测。但原始yolov11在pcb缺陷检测中仍存在明显不足：骨干网络对微小、弱纹理缺陷特征提取不充分，高层特征易丢失细节；颈部网络采用简单concat拼接融合，未区分高低层特征重要性，多尺度融合效率低；模型对复杂背景噪声抑制能力弱，难检缺陷检出率不高。因此，急需一种能够在保持实时性的同时，显著提升pcb微小缺陷检测精度和复杂背景下判别能力的改进方案。

4、为此，本技术提出了基于改进的yolo算法的pcb缺陷检测方法，以解决上述问题。

技术实现思路

1、本发明的目的在于解决原始yolov11在pcb缺陷检测中存在的微小缺陷特征易丢失、复杂背景判别性差、多尺度特征融合效率低等问题，提供了基于改进的yolo算法的pcb缺陷检测方法，本发明的方法，通过优化骨干网络特征提取与颈部网络特征融合，构建了高精度、高实时性的检测模型。

2、本发明的上述目的是这样实现的：

3、基于改进的yolo算法的pcb缺陷检测方法，其特征在于，包括以下步骤：

4、获取待检测的pcb图像；

5、将所述pcb图像输入至改进的yolov11目标检测模型中，得到缺陷检测结果；

6、所述改进的yolov11目标检测模型包括骨干网络、颈部网络和检测头；

7、所述骨干网络包括依次连接的卷积层、c3k2模块、sppf模块、扩散模块和c2psa模块；

8、所述颈部网络包括panet双向结构，所述panet双向结构中包括concat_bifpn模块；

9、所述检测头为解耦头结构。

10、进一步的，所述扩散模块包括依次连接的动态时间机制单元、多阶段轻量级扩散结构单元以及通道注意力门控与残差融合单元。

11、进一步的，所述动态时间机制单元用于：在训练时为每个批次的样本随机生成一个时间步长t，通过一个由全连接层和激活函数构成的时间编码器将标量t映射为一个与输入特征通道数相同的向量，再将此向量与输入特征图相乘。

12、进一步的，所述多阶段轻量级扩散结构单元采用深度可分离卷积与点卷积结合的轻量级设计，通过多个阶段的堆叠构成扩散路径，对特征进行逐步提炼和增强。

13、进一步的，所述通道注意力门控与残差融合单元用于：通过全局平均池化获取每个通道的全局统计信息，再经过一个带有瓶颈结构的小型神经网络和sigmoid激活函数，生成一个0到1之间的通道权重向量，该权重向量与扩散后的特征图逐通道相乘；再通过一个可学习的残差权重α，将增强后的特征与原始的输入特征即sppf模块输出的p5特征进行加权融合。

14、进一步的，所述concat_bifpn模块用于：

15、为两个输入特征图分别定义一个可学习的标量权重w0和w1；

16、对w0和w1进行快速归一化处理，即用每个权重除以两个权重之和加上一个极小值，得到归一化权重weight0和weight1，且weight0+weight1=1；

17、将每个输入特征图乘以其对应的归一化权重；

18、将加权后的两个特征图进行拼接。

19、进一步的，所述改进的yolov11目标检测模型中：

20、所述骨干网络对640×640×3的输入图像进行特征提取，依次生成p2/4、p3/8、p4/16、p5/32四个尺度的特征图；

21、所述sppf模块对层级9输出的p5特征进行多尺度池化；

22、所述扩散模块对sppf输出的p5特征进行增强；

23、所述c2psa模块对扩散模块输出的p5特征进行二次精炼，输出优化后的p5特征。

24、进一步的，所述颈部网络中：

25、所述优化后的p5特征经上采样后，与骨干网络层级9输出的p4特征，通过所述concat_bifpn模块加权融合，再经c3k2模块整合；

26、整合后的特征经上采样后，与骨干网络层级7输出的p3特征，通过所述concat_bifpn模块二次加权融合，再经c3k2模块处理，生成output1。

27、进一步的，所述颈部网络中：

28、output1经卷积下采样后，与所述整合后的特征，通过所述concat_bifpn模块加权融合，再经c3k2模块处理，生成output2。

29、进一步的，所述颈部网络中：

30、output2经卷积下采样后，与所述优化后的p5特征，通过concat模块拼接，再经c3k2模块处理，生成output3。

31、与现有技术相比，本发明具有以下有益效果：

32、1、针对pcb微小缺陷易丢失的问题，本发明在骨干网络末端引入扩散模块，该模块融合动态时间混合编码、多阶段轻量级扩散与通道注意力门控，能够强化微小缺陷特征提取与去噪；实验表明，在pcb数据集上，单独加入扩散模块使map@0.5从原始yolov11的91.4%提升至93.4%，召回率从87.0%提升至91.4%；在neu-det数据集上，单独加入扩散模块使map@0.5从81.9%提升至82.8%，尤其是对低对比度、细微的裂纹缺陷（crazing）提升幅度达4.2个百分点。

33、2、针对多尺度特征融合效率低的问题，本发明将颈部网络中的普通concat拼接替换为concat_bifpn自适应加权融合模块，通过可学习权重实现高低层特征自适应加权融合；在pcb数据集上，单独加入concat_bifpn模块使map@0.5提升至92.2%。

34、3、本发明的完整改进模型在pcb数据集上map@0.5达到94.1%，较原始yolov11提升2.7个百分点；map@0.95达到51.3%，提升3.5个百分点；精确率93.5%，召回率92.8%，在保持高精确率的同时实现了最高召回率；在neu-det数据集上，map@0.5达到83.5%，较原始yolov11提升1.6个百分点；同时，本发明的fps为86，满足工业实时检测需求（≥30fps），实现了高精度与高效率的平衡。

35、4、本发明中通过消融实验证明，扩散模块在两个数据集上均实现正向增益，尤其对召回率的提升具有普适性；“扩散模块强化特征+concat_bifpn融合特征”的组合策略具备场景鲁棒性，即使在缺陷特征复杂、背景噪声大的neu-det数据集上，也能通过模块互补抵消单模块的缺陷，实现净增益。

36、综上，本发明在保持工业实时推理速度的前提下，显著提升了pcb及金属表面等工业缺陷的检测精度与泛化能力，可广泛应用于pcb及金属表面等工业缺陷高精度检测。