YOLO-POD:基于多维注意力机制的高精度PCB微小缺陷检测算法

作     者：郭艳 王智文 赵润星 GUO Yan;WANG Zhi-wen;ZHAO Run-xing

作者机构：广西科技大学自动化学院广西柳州545616 广西科技大学电子工程学院广西柳州545006 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2024年第52卷第7期

页      面：2515-2528页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 080903[工学-微电子学与固体电子学] 13[艺术学] 0809[工学-电子科学与技术（可授工学、理学学位）] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(No.61962007,No.62266009) 广西自然科学基金重点项目(No.2018GXNSFDA294001) 广西财经大数据重点实验室开放基金(No.FEDOP2022A06)~~ 

主　　题：印刷电路板 小目标缺陷检测 POD-CSP POD-MP 全维动态卷积 多维注意力机制 

摘      要：随着电子设备的广泛应用,印刷电路板(Printed Circuit Board,PCB)在电子制造行业中具有重要意义.然而,由于制造过程中的不完美和环境因素的干扰,PCB上可能存在微小的缺陷.因此,开发高效准确的缺陷检测算法对于确保产品质量至关重要.针对PCB微小缺陷检测问题,本文提出了一种基于多维注意力机制的高精度PCB微小缺陷检测算法.为降低网络的模型参数量和计算量,引入部分卷积(Partial Convolution,PConv),将ELAN(Efficient Layer Aggregation Network)模块设计为更加高效的P-ELAN,同时,为增强网络对微小缺陷的特征提取能力,引入多维注意力机制(Multi-Dimensional Attention Mechanism,MDAM)的全维动态卷积(Omni-dimensional Dynamic Convolution,ODConv)并结合部分卷积,设计了POD-CSP(Partial ODconv-Cross Stage Partial)和POD-MP(Partial ODconv-Max Pooling)跨阶段部分网络模块,提出了OD-Neck结构.最后,本文基于(Youo Only Look Once version 7,YOLOv7)提出了对小目标更加高效的YOLO-POD模型,并在训练阶段采用一种新颖的Alpha-SIoU损失函数对网络进行优化.实验结果表明,YOLO-POD的检测精确率和召回率分别达到了98.31%和97.09%,并在多个指标上取得了领先优势,尤其是对于更严格的(mean Average Precision at IoU threshold of 0.75,mAP75)指标,比原始的YOLOv7模型提高28%.验证了YOLO-POD在PCB缺陷检测性能中具有较高的准确性和鲁棒性,满足高精度的检测要求,可为PCB制造行业提供有效的检测解决方案.