技术特征：
1.一种基于改进深度学习算法的pcb缺陷图像检测方法，其特征在于，具体步骤如下：(1)建立图像数据集：建立pcb图像数据集，获取多种类pcb缺陷图像，并进行标注；(2)将focal loss函数代替原yolov3模型中的mse loss函数；(3)将spp模块嵌入于支路小目标检测头；(4)将cbam模块并联融入yolov3模型；(5)将pcb缺陷图像的数据集，分为训练集、验证集以及测试集，依次对改进后的yolov3模型进行训练、测试，最终实现pcb缺陷类别的自动化和智能化识别。2.根据权利要求1所述的基于改进深度学习算法的pcb缺陷图像检测方法，其特征在于，所述步骤(1)具体包括：(1.1)由专业人员对生产出来的pcb图片进行收集和整理，最终得到有缺陷的图像数据集；随后将整理好的pcb图像数据集，使用数据增强的方式扩充数据集样本，提高深度神经网络模型的泛化能力；(1.2)在步骤(1.1)中整理好的pcb图像数据集基础上，使用目标检测开源软件lalbelimg工具进行标注，并生成相应的xml格式的标签文件。3.根据权利要求1所述的基于改进深度学习算法的pcb缺陷图像检测方法，其特征在于，所述步骤(2)具体包括：由于yolov3特殊的预测机制，网络最终会生成(13
×
13
×
3+26
×
26
×
3+52
×
52
×
3)个预测框；其中，只有当先验框与真实框之间的交并比大于所设阈值时，先验框才会根据预测值调整大小与位置成为正样本，其余的预测框均为负样本，因此，一张图片中正样本与负样本比例失衡严重；在yolov3目标检测网络中，损失函数分为三个部分：定位损失、置信度损失以及分类损失；定位损失函数是mse loss函数，它用于计算预测框的位置偏差；为了解决正负样本不均衡问题，应该调整正样本的权重以及大量负样本的权重；将作为置信度损失的mse loss函数改进为focal loss函数。4.根据权利要求1所述的基于改进深度学习算法的pcb缺陷图像检测方法，其特征在于，所述步骤(3)具体包括：在深度神经网络中，最后一个全连接层的作用往往是将模型学习到的目标物体特征映射到样本标记空间，即分类器或者检测器；spp结构通常应用于最后一个全连接层之前，用于提取多尺度的空间位置信息，以此增加该支路上的感受野；但在yolov3网络中，用于映射的全连接层被1
×
1卷积层代替，1
×
1卷积层拥有跨通道信息交互的功能，它能改变特征图的通道数，实际上也起到了和全连接层类似的作用；由于卷积层的计算量远小于全连接层，将由池化运算搭建而成的spp结构应用于1
×
1卷积层之前，也不会由于计算量的急剧上升而改变yolov3原有的分类特性；同时分别将spp模块嵌入于主干路大目标检测头的yolov3模型、将spp模块嵌入于支路小目标检测头的yolov3模型、将spp模块嵌入于三个检测头的yolov3模型，经过这三组实验最终得出：加入spp模块后的yolov3模型的损失值均比原yolov3模型的损失值要小；对比模型最后的训练集和验证集loss值之差发现，将spp模块嵌入于支路小目标检测头的yolov3模型的损失值最小，而且其也是三者之中唯一验证集loss值低于训练集loss值的模型；这说明对于同一批训练集来说，将spp模块嵌入于支路小目标检测头的yolov3模型对于pcb缺陷特征的学习能力更强。5.根据权利要求1所述的基于改进深度学习算法的pcb缺陷图像检测方法，其特征在
于，所述步骤(4)具体包括：在yolov3目标检测网络中，主干网络框架是darknet53，yolov3模型是由多个残差单元构成的；残差块提取图像特征主要依赖3
×
3卷积核，这样单一提取特征的方式的一个优势便是计算量小；但对于卷积运算来说，提取特征的方式是滑动窗口，说明卷积运算对于大部分特征一视同仁；对于要完成的pcb缺陷检测任务来说，ng所涉及的缺陷种类不同，且对于无缺陷图像也即背景类特征也有要求，因此单一的提取方式不太适用pcb缺陷检测；注意力机制关注图像中目标的位置信息与特征信息，增强模型的特征提取能力，且其中空间聚合操作强化所学习的特征，进而能帮助模型关注更多的特征信息；为此，将cbam模块嵌入了yolov3网络中。
技术总结
本发明公开一种基于改进深度学习算法的PCB缺陷图像检测方法。针对YOLOv3深度卷积神经网络模型对于正负样本不均衡、网络对PCB小缺陷的特征表达、图像重要特征信息提取等不足提出了改进，本发明提出了将FocalLoss函数代替原YOLOv3模型中的MSELoss函数的改进方式，以此来动态地控制正负样本和难易分类样本权重。同时本发明将SPP模块嵌入于支路小目标检测头、并且将CBAM模块并联融入YOLOv3模型，以使模型可以更多地关注图像中的缺陷信息，从而提升模型整体的特征提取能力。本发明方法可对不同类型的PCB缺陷图像进行检测，较原YOLOv3模型相比，敏感性等指标均有提升，在PCB缺陷检测任务中具有较好的性能，可以降低漏检率与误检率，更好地实现PCB缺陷的自动化和智能化检测。测。测。
技术研发人员：张健滔 徐海达 黄允
受保护的技术使用者：上海大学
技术研发日：2022.08.29
技术公布日：2022/11/29