CN119048496B - Pcb缺陷检测方法、系统、设备及存储介质 - Google Patents

Pcb缺陷检测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN119048496B
CN119048496B CN202411523259.4A CN202411523259A CN119048496B CN 119048496 B CN119048496 B CN 119048496B CN 202411523259 A CN202411523259 A CN 202411523259A CN 119048496 B CN119048496 B CN 119048496B
Authority
CN
China
Prior art keywords
model
module
pcb
dspd
yolov
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202411523259.4A
Other languages
English (en)
Other versions
CN119048496A (zh
Inventor
邓承志
张优
吴朝明
徐晨光
李彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University Of Water Resources And Electric Power
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202411523259.4A priority Critical patent/CN119048496B/zh
Publication of CN119048496A publication Critical patent/CN119048496A/zh
Application granted granted Critical
Publication of CN119048496B publication Critical patent/CN119048496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种PCB缺陷检测方法、系统、设备及存储介质，属于工业产品缺陷检测技术领域；其中方法包括：获取PCB数据集，对PCB数据集进行图像预处理和缺陷标注；创建虚拟运行环境，在虚拟运行环境中构建YOLOv10模型，并对YOLOv10模型进行轻量化处理；将空间到深度卷积SPD_conv模块优化为DSPD模块，并将DSPD模块配置到YOLOv10模型中，得到DSPD_YOLOv10模型；构建双向特征金字塔网络BiFPN，并将其配置到DSPD_YOLOv10模型的颈部网络中；根据所述PCB数据集对所述DSPD_YOLOv10模型进行训练，根据训练好的所述DSPD_YOLOv10模型对待检测样品进行检测；通过使用DSPD_YOLOv10模型来对PCB缺陷检测，实现了对PCB缺陷的高精度、高效率检测。

Description

PCB缺陷检测方法、系统、设备及存储介质
技术领域
本申请属于工业产品缺陷检测技术领域，具体涉及一种PCB缺陷检测方法、系统、设备及存储介质。
背景技术
印刷电路板（printed circuit board, PCB）作为电子产品中重要的组成部分，其表面有电路元件和密集的导线布局等，PCB的优劣关乎着电子产品的性能和寿命。集成电路（integrated circuit, IC）封装技术的发展，推动着电子产品向着更轻、更薄和更小巧的方向发展，这也要求PCB的电路布局更为紧凑，因此行业对PCB的质量要求会越来越高。
PCB生产过程中不可避免产生缺陷；缺陷检测是保证PCB质量的关键环节，PCB缺陷检测面临着一些急需攻克的难点，缺孔（missing hole）、鼠咬（mouse bite）、开路（opencircuit）、短路（short）、毛刺（spur）、假铜（spurious copper）等缺陷大小在整张PCB图片上占比相对较小，PCB的背景图对检测也有影响，这些都会对PCB检测的精度有着很大的影响；因此如何解决这些问题，以提高PCB的检测精度是当前的难点。
发明内容
本申请实施例的目的是提供一种PCB缺陷检测方法、系统、设备及存储介质，能够解决现有技术中的PCB缺陷检测精度低的技术问题。
为了解决上述技术问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种PCB缺陷检测方法，该方法包括：
获取PCB数据集，对所述PCB数据集进行图像预处理和缺陷标注；
创建虚拟运行环境，在所述虚拟运行环境中构建YOLOv10模型，并对所述YOLOv10模型进行轻量化处理；
将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到所述YOLOv10模型中，得到DSPD_YOLOv10模型；
构建双向特征金字塔网络BiFPN，并将所述双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中；
将所述PCB数据集输入所述DSPD_YOLOv10模型进行训练，并对所述训练结果进行评估；
根据训练好的所述DSPD_YOLOv10模型对待检测样品进行检测，得到检测结果。
作为本申请第一方面的一种可选实施方式，所述获取PCB数据集，对所述PCB数据集进行图像预处理和缺陷标注；具体如下：
对工业生产出的PCB板进行成像，整理得到包括含缺陷的PCB数据集，所述缺陷包括缺孔、鼠咬、开路、短路、毛刺和假铜；通过数据增强的方式，对所述PCB数据集进行扩充；对扩充后的所述PCB数据集进行自适应线性插值超分辨率重建处理，并对所述缺陷进行标记，最终将所述PCB数据集分成训练集、测试集和验证集。
根据上述可选实施方式，通过数据增强和自适应线性插值超分辨率重建处理，增加了数据集的多样性和清晰度，从而提高了模型对微小的PCB缺陷的识别能力；精确的缺陷标注和合理的数据集划分有助于模型学习到更准确的特征表示，从而提高缺陷检测的准确性；虽然缺陷标注需要一定的人力投入，但通过自动化和半自动化的工具可以大大减轻这一负担；同时，一旦模型训练完成，它可以高效地检测大量的PCB图像，从而显著降低人工检查的时间和成本。
作为本申请第一方面的一种可选实施方式，所述对所述YOLOv10模型进行轻量化处理的过程为：
将YOLOv10模型中的普通卷积置换为轻量型幻影卷积 GhostConv。
根据上述可选实施方式，通过引入GhostConv，可以显著减少YOLOv10模型的计算量；幻影特征图的生成过程比传统卷积操作更加高效，从而降低了模型的计算复杂度，降低内存占用；轻量化处理后的YOLOv10模型具有更小的内存占用；这有助于在资源受限的环境中（如嵌入式设备或移动设备）部署模型，提高其实用性；由于计算量和内存占用的减少，轻量化处理后的YOLOv10模型在运行速度上会有所提升。这对于实时缺陷检测任务来说尤为重要，可以缩短检测时间，提高生产效率；虽然轻量化处理会降低模型的计算量和内存占用，但通过合理的网络设计和参数调整，可以确保模型在性能上不会受到太大影响，这意味着轻量化后的YOLOv10模型仍然能够保持较高的缺陷检测精度。
作为本申请第一方面的一种可选实施方式，所述空间到深度卷积SPD_conv 模块包括一个space-to-depth层和一个non-strided convolution层；所述将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到所述YOLOv10模型中，具体为：
将所述空间到深度卷积SPD_conv 模块中的所述non-strided convolution层删除，并对所述space-to-depth层进行自适应加权处理和深度排序进行优化，得到所述DSPD模块；
保持所述YOLOv10模型中主干网络的第一个卷积的步长不变，在其余卷积层后配置所述DSPD 模块。
根据上述可选实施方式，删除了传统non-strided convolution层，避免压缩通道导致的信息丢失，通过删除non-strided convolution层可以提高YOLOv10模型的检测精度；通过自适应加权处理可以得到每个特征子图的缺陷特征比重，进而赋予相应的权重，使模型对缺陷的处理更具针对性，减少了不必要的资源浪费，进一步提高了模型的检测精度；通过空间维度处理确保了每个特征子图的空间维度保持一样；优化space-to-depth层的深度排序，这有助于提高YOLOv10模型的运行效率，特别是在资源受限的环境中；DSPD模块能够更好地提取空间特征，将输入图像的空间维度转换为深度维度，相比non-stridedconvolution层的压缩通道，使通道处理更具针对性，减少了特征信息的丢失；DSPD模块在处理低分辨率图像和小对象时，需要保留尽可能多的空间信息，DSPD模块通过将空间维度的信息转换为深度维度，避免了传统步长卷积和池化操作中的信息丢失；通过对特征的深度维度重新排序，从而可以加快模型的检测速度。
作为本申请第一方面的一种可选实施方式，所述DSPD模块处理图像的过程如下，
所述输入特征图进行切片处理，得到若干特征子图，具体公式如下：
；
对所述特征子图进行自适应加权处理和空间维度处理，使所述特征子图的空间维度一致，具体公式如下：
；
再对自适应加权处理和空间维度处理后的特征子图进行拼接操作，具体公式如下：
；
其中，表示抽样切片函数，X表示输入特征图，s 表示比例，e 表示抽样步长，Xs-1，s-1表示在输入特征信息中位置为（s-1，s-1）的特征，Ps-1，s-1表示进行自适应加权处理和空间维度处理的Xs-1，s-1，、、和分别表示Xs-1，s-1、Xs-2，s-1、Xs-1，s-2和X0，0对应的特征权重值，表示对特征进行空间维度处理，表示比例s对应的输出特征信息，cat是将特征图进行拼接操作的函数。
根据上述可选实施方式，通过设置步长e和比例s，抽样切片函数将特征信息抽样切片，切成若干个相同大小的切片，并根据预设条件选取需要的包含缺陷的切片；例如，Xs-2,s-1，其为若干切片中的一张切片，下标s-2和s-1分别表示切片对应的水平位置和垂直位置；对切片选取完成后，对每个特征图进行自适应加权处理和空间维度处理；使模型对缺陷的处理更具针对性，减少了不必要的资源浪费，进一步提高了模型的检测精度； 确保了每个特征子图的空间维度保持一样；cat函数将抽样切片函数选取的符合预设特征的切片按照预设循序进行拼接，从而得到新特征图中包含了大量包含缺陷特征的切片；DSPD模块通过切片、将切片进行深度维度拼接的方式来生成新的特征表示，这一过程有助于模型更有效地捕捉空间特征；在处理过程中，比例s的选择、步长e的处理、索引与偏移的调整以及特征拼接的顺序都是影响最终新特征的因素；通过合理设计DSPD模块，可以将其有效地集成到YOLOv10等深度学习模型中，以提升模型的性能和效率。
作为本申请第一方面的一种可选实施方式，所述将双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中，具体为：
将所述YOLOv10模型颈部网络中的部分Concat层替换为所述双向特征金字塔网络BiFPN。
根据上述可选实施方式，BiFPN模块通过跨尺度的特征融合，能够生成更具表现力的特征图，从而提高模型对不同尺度目标的检测能力；将BiFPN配置到DSPD_YOLOv10模型的颈部网络中，能够提高模型的检测精度和效率；所选择的部分Concat层替层相比其余的Concat层更有利于小目标信息的捕获，部分替代是因为本发明在精度和推理速度上选择了一种最优的中和；既不会应为追求精度而忽略了满足工业速度的要求，也不会因为追求速度而放弃了精度在替换Concat层为BiFPN模块时，需要确保模型的输入输出尺寸和特征图的数量保持不变，以保持模型的兼容性。
作为本申请第一方面的一种可选实施方式，所述对训练结果进行评估中，评估指标包括召回率、精确度、平均精确度、平均精确度均值和帧率；
所述召回率通过如下公式计算：
；
所述精确度通过如下公式计算：
；
所述平均精确度通过如下公式计算：
；
所述平均精确度均值通过如下公式计算：
；
所述帧率通过如下公式计算：
；
其中，Recall表示召回率，Precision表示精确度，AP表示平均精确度，mAP表示平均精确度均值，FPS表示帧率，FN表示实际为正样本预测为负样本的数量，FP表示实际为负样本预测为正样本的数量，TP表示实际为正样本预测也为正样本的数量，P(r)表示查全率和查准率所包围的函数图像，n表示缺陷类别数，i表示第i个类别，Fn表示待检测图片个数，T表示检测所有待检测图片所用的时间。
根据上述可选实施方式，平均精确度是对不同置信度阈值下的精确度-召回率（P-R）曲线进行积分得到的面积值；它提供了一个单一的性能指标，用于衡量模型在不同召回率水平下的精确度；平均精确度均值是衡量目标检测算法性能的关键指标之一，它考虑了所有类别的平均检测精度；通过计算每个类别的精度并取平均值，平均精确度均值能够全面反映算法在不同类别上的检测性能；平均精确度均值越高，意味着算法能够更准确地识别出目标物体，且在不同类别上表现更稳定；精确率反映了算法预测为正样本的实例中，真正为正样本的比例；高精确率意味着算法预测的结果更加可靠，减少了误报的情况；在PCB缺陷检测中，高精确率能够确保检测到的缺陷更加准确，减少了不必要的返工和成本浪费；召回率衡量了算法能够正确识别出的正样本占总正样本的比例；高召回率意味着算法能够检测到更多的实际缺陷，减少了漏报的情况；在实际应用中，高召回率对于确保产品质量和安全性至关重要；帧率表示算法每秒能够处理的图片数量；帧率值越高，意味着算法具有越快的处理速度，能够实时或接近实时地处理输入图片；在PCB缺陷检测中，高帧率值能够确保生产线的高效运行，减少等待时间和成本。
第二方面，本申请实施例提供了一种PCB缺陷检测系统，所述系统包括：
第一获取模块，用于建立YOLOv10模型，并获取所述网络模型所需的PCB数据集，所述PCB数据集包括训练集、验证集与测试集；
第一处理模块，用于对所述第一获取模块获取的所述PCB数据集进行预处理，得到预处理后的所述PCB数据集，；
第二处理模块，用于对所述第一获取模块建立的所述YOLOv10模型进行轻量化处理；
第一改进模块，将空间到深度卷积DSPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到轻量化处理后的所述YOLOv10模型中，得到DSPD_YOLOv10模型；
第二改进模块，将预设的双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中；
第一训练模块，通过所述第一处理模块预处理后的PCB数据集对所述第二改进模块改进后的所述DSPD_YOLOv10模型进行训练；
第一评估模块，用于对所述第一训练模块的训练结果进行评估。
根据本申请第二方面的一种PCB缺陷检测系统，第一获取模块能够建立YOLOv10模型，并有效地获取和划分PCB数据集为训练集、验证集和测试集，这确保了模型训练过程中有充足、多样化的数据支持，从而提高模型的泛化能力；第一处理模块对PCB数据集进行预处理，这通常包括图像增强等操作，有助于提升模型对PCB缺陷的识别精度，同时减少噪声对模型训练的影响；第二处理模块对YOLOv10模型进行轻量化处理，这可以显著减少模型的计算复杂度和存储需求，使得模型更适合在资源受限的硬件上运行，提高系统的实际应用性；第一改进模块通过优化空间到深度卷积SPD_conv模块为DSPD模块，并配置到轻量化后的YOLOv10模型中，可以进一步提升模型的检测精度。DSPD模块可能通过更有效的特征提取和转换，增强了模型对PCB缺陷的识别能力；第二改进模块将预设的双向特征金字塔网络BiFPN配置到DSPD_YOLOv10模型的颈部网络中，这有助于模型更好地融合多尺度特征，提高对不同大小和形状的PCB缺陷的检测能力；第一训练模块使用预处理后的PCB数据集对改进后的DSPD_YOLOv10模型进行训练，确保模型能够学习到PCB缺陷的有效特征；第一评估模块对训练结果进行评估，可以量化模型的性能，包括检测精度、召回率等指标，为模型的进一步优化提供数据支持。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中，通过优化SPD_conv模块为DSPD模块，并配置BiFPN网络，DSPD_YOLOv10模型能够更有效地捕捉和利用图像中的特征信息，从而提高缺陷检测的精度；对YOLOv10模型进行轻量化处理，可以减少模型的计算量和内存占用，从而提升模型的运行效率，使其更适合在实际应用中部署；通过创建虚拟运行环境，可以方便地管理模型开发过程中的依赖关系，确保模型在不同环境中的一致性和可重复性，这有助于增强模型的可扩展性和可维护性；综上所述，PCB缺陷检测方法通过一系列的技术优化和创新，实现了对PCB缺陷的高精度、高效率检测，为PCB制造业的自动化和智能化提供了有力的技术支持。
附图说明
图1是本申请的一些实施例提供的一种PCB缺陷检测方法流程图；
图2是本申请的一些实施例提供的一种PCB缺陷检测方法中DSPD_YOLOv10模型示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的一种PCB缺陷检测方法、系统、设备及存储介质进行详细地说明。
实施例
一种PCB缺陷检测方法，包括以下步骤：
S100：获取PCB数据集，对PCB数据集进行图像预处理和缺陷标注；
进一步地，具体过程为：对工业生产出的PCB板进行成像，整理得到包括含缺陷的PCB数据集，缺陷包括缺孔、鼠咬、开路、短路、毛刺和假铜；通过数据增强的方式，对PCB数据集进行扩充；对扩充后的PCB数据集进行自适应线性插值超分辨率重建处理，并对缺陷进行标记，最终将PCB数据集分成训练集、测试集和验证集。
需要理解的是，基于上述特征限定，首先，通过工业相机或其他成像设备对生产出的PCB板进行成像，这些图像应清晰地展示PCB板上的各种细节，包括可能的缺陷；将成像得到的PCB图像进行整理，形成包含各种缺陷（如缺孔、鼠咬、开路、短路、毛刺和假铜）的PCB数据集，这一步是后续处理的基础；为了增加数据集的多样性和鲁棒性，采用数据增强的方式对PCB数据集进行扩充。数据增强技术可能包括旋转、缩放、翻转、色彩变换等，这些操作可以在不改变图像本质内容的前提下，生成更多的训练样本；对扩充后的PCB数据集进行自适应线性插值超分辨率重建处理；这一步骤旨在提高图像的分辨率和清晰度，从而有助于模型更准确地识别缺陷；自适应线性插值是一种图像插值方法，可以根据图像局部特征自适应地选择插值权重，从而得到更好的重建效果；在图像预处理后，需要对图像中的缺陷进行精确标注；通常涉及手动或使用半自动工具来标记缺陷的位置和类型。标注的准确性对于模型的训练效果至关重要；最后，将处理后的PCB数据集划分为训练集、测试集和验证集；训练集用于模型的训练过程；测试集用于评估模型的性能，即在未见过的数据上的表现；验证集则用于在训练过程中调整模型参数，以避免过拟合。这种划分方式有助于确保模型的泛化能力和稳定性。
需要说明的是，通过数据增强和自适应线性插值超分辨率重建处理，增加了数据集的多样性和清晰度，从而提高了模型对微小的PCB缺陷的识别能力；精确的缺陷标注和合理的数据集划分有助于模型学习到更准确的特征表示，从而提高缺陷检测的准确性；虽然缺陷标注需要一定的人力投入，但通过自动化和半自动化的工具可以大大减轻这一负担；同时，一旦模型训练完成，它可以高效地检测大量的PCB图像，从而显著降低人工检查的时间和成本。
S200：创建虚拟运行环境，在虚拟运行环境中构建YOLOv10模型，并对YOLOv10模型进行轻量化处理；
进一步的，对YOLOv10模型进行轻量化处理的过程为：
将YOLOv10模型中的普通卷积置换为轻量型幻影卷积 GhostConv。
需要理解是，基于上述特征限定，在PCB缺陷检测方法中，对YOLOv10模型进行轻量化处理是一个关键步骤，旨在减少模型的计算量和内存占用，提高其在资源受限环境中的运行效率；具体来说，轻量化处理的过程是将YOLOv10模型中的普通卷积置换为轻量型幻影卷积（GhostConv）；普通卷积在卷积操作中直接生成所有的特征图（feature maps），而GhostConv则通过一种更高效的方式生成特征图；它首先通过少量的传统卷积操作生成一部分特征图（称为基础特征图），然后通过线性变换（如便宜操作或深度可分离卷积）生成剩余的特征图（称为幻影特征图）；这些幻影特征图与基础特征图具有相似的特征信息，但计算量却大大减少；
需要说明的是，通过引入GhostConv，可以显著减少YOLOv10模型的计算量；幻影特征图的生成过程比传统卷积操作更加高效，从而降低了模型的计算复杂度，降低内存占用：轻量化处理后的YOLOv10模型具有更小的内存占用；这有助于在资源受限的环境中（如嵌入式设备或移动设备）部署模型，提高其实用性；由于计算量和内存占用的减少，轻量化处理后的YOLOv10模型在运行速度上会有所提升。这对于实时缺陷检测任务来说尤为重要，可以缩短检测时间，提高生产效率；虽然轻量化处理会降低模型的计算量和内存占用，但通过合理的网络设计和参数调整，可以确保模型在性能上不会受到太大影响，这意味着轻量化后的YOLOv10模型仍然能够保持较高的缺陷检测精度。
S300：将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将DSPD模块配置到YOLOv10模型中，得到DSPD_YOLOv10模型；
进一步地，空间到深度卷积SPD_conv 模块包括一个space-to-depth层和一个non-strided convolution层；将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将DSPD模块配置到YOLOv10模型中，具体为：
将空间到深度卷积SPD_conv 模块中的non-strided convolution层删除，并对space-to-depth层进行自适应加权处理和深度排序进行优化，得到DSPD模块；
保持YOLOv10模型中主干网络的第一个卷积的步长不变，在其余卷积层后配置DSPD 模块；
具体地，在YOLOv10模型中主干网络的 GhostConv2、GhostConv3、SCDown1 和SCDown2，以及颈部网络的 GhostConv1 和 SCDown1后均配置DSPD 模块；同时将主干网络中 GhostConv2、GhostConv3、SCDown1 和 SCDown2 的卷积步长设置为 1，颈部网络中GhostConv1 和 SCDown1 的步长设置为 1，颈部网络中的上采样结构保持不变。
需要理解的是，基于上述特征限定，原始的空间到深度卷积（SPD_conv）模块包括一个space-to-depth层和一个non-strided convolution层；在优化过程中，首先删除SPD_conv模块中的non-strided convolution层，这一步旨在提高模块获取信息的能力，因为non-strided convolution层会对拼接后的特征进行通道压缩，从而会导致部分信息丢失；在删除non-strided convolution层后，对space-to-depth层的深度排序进行优化；深度排序是指对输入数据的通道维度进行重新排列，以更好地利用space-to-depth层的特性；优化后的深度排序可以使得space-to-depth层更有效地提取空间特征，同时减少计算量；最后，将优化后的DSPD模块配置到YOLOv10模型中，为了保持模型的结构完整性和性能，保持YOLOv10模型中主干网络的第一个卷积的步长不变，在其余卷积层后配置DSPD模块；这一配置方式可以确保DSPD模块能够充分利用主干网络提取的特征信息，同时减少模型的计算量和内存占用。
需要说明的是，删除了传统non-strided convolution层，避免压缩通道导致的信息丢失，通过删除non-strided convolution层可以提高YOLOv10模型的检测精度；通过自适应加权处理可以得到每个特征子图的缺陷特征比重，进而赋予相应的权重，使模型对缺陷的处理更具针对性，减少了不必要的资源浪费，进一步提高了模型的检测精度；通过空间维度处理确保了每个特征子图的空间维度保持一样；优化space-to-depth层的深度排序，这有助于提高YOLOv10模型的运行效率，特别是在资源受限的环境中；DSPD模块能够更好地提取空间特征，将输入图像的空间维度转换为深度维度，相比non-strided convolution层的压缩通道，使通道处理更具针对性，减少了特征信息的丢失；DSPD模块在处理低分辨率图像和小对象时，需要保留尽可能多的空间信息，DSPD模块通过将空间维度的信息转换为深度维度，避免了传统步长卷积和池化操作中的信息丢失；通过对特征的深度维度重新排序，从而可以加快模型的检测速度。
又进一步地，DSPD模块处理图像的过程如下：
所输入特征图进行切片处理，得到若干特征子图，具体公式如下：
；
对特征子图进行自适应加权处理和空间维度处理，使特征子图的空间维度一致，具体公式如下：
；
再对自适应加权处理和空间维度处理后的特征子图进行拼接操作，具体公式如下：
；
其中，表示抽样切片函数，X表示输入特征图，s 表示比例，e 表示抽样步长，Xs-1，s-1表示在输入特征信息中位置为（s-1，s-1）的特征，Ps-1，s-1表示进行自适应加权处理和空间维度处理的Xs-1，s-1，、、和分别表示Xs-1，s-1、Xs-2，s-1、Xs-1，s-2和X0，0对应的特征权重值，表示对特征进行空间维度处理，表示比例s对应的输出特征信息，cat是将特征图进行拼接操作的函数。
具体地，基于上述公式，设 X 为输入特征图，尺寸大小为 C×H×W，C、H、W 分别代表特征图 X 的通道数、高、宽；初始的特征图 X 经过比例为 2，步长为1 的 DSPD 模块切片得 X0，0、X1，0、X0，1、X1，1四个特征子图，每个特征子图的通道数为原来的 1/4 倍，长和宽为初始特征图 X 的1/2倍，然后进行自适应加权处理和空间维度处理后得到P0，0、P1，0、P0，1、P1，1，最后通道维度按照优化合并得到一个深度为初始特征图的新特征图，新特征图的深度为原来的；拼接过程如下：
。
需要理解的是，基于上述特征限定，通过设置步长e和比例s，抽样切片函数将特征信息抽样切片，切成若干个相同大小的切片；例如，Xs-2,s-1，其为若干切片中的一张切片，下标s-2和s-1分别表示切片对应的水平位置和垂直位置；完成切片操作后，对切片进行自适应加权处理和空间维度处理；cat函数将自适应加权处理和空间维度处理的切片按照顺序进行空间深度维度的堆叠拼接，从而提高模型捕捉特征的能力。
需要说明的是，通过设置步长e和比例s，抽样切片函数将特征信息抽样切片，切成若干个相同大小的切片，并根据预设条件选取需要的包含缺陷的切片；例如，Xs-2,s-1，其为若干切片中的一张切片，下标s-2和s-1分别表示切片对应的水平位置和垂直位置；对切片选取完成后，对每个特征图进行自适应加权处理和空间维度处理；使模型对缺陷的处理更具针对性，减少了不必要的资源浪费，进一步提高了模型的检测精度； 确保了每个特征子图的空间维度保持一样；cat函数将抽样切片函数选取的符合预设特征的切片按照预设循序进行拼接，从而得到新特征图中包含了大量包含缺陷特征的切片；DSPD模块通过切片、将切片进行深度维度拼接的方式来生成新的特征表示，这一过程有助于模型更有效地捕捉空间特征；在处理过程中，比例s的选择、步长e的处理、索引与偏移的调整以及特征拼接的顺序都是影响最终新特征的因素；通过合理设计DSPD模块，可以将其有效地集成到YOLOv10等深度学习模型中，以提升模型的性能和效率。
S400：构建双向特征金字塔网络BiFPN，并将双向特征金字塔网络BiFPN配置到DSPD_YOLOv10模型的颈部网络中；
进一步地，配置过程如下：
将YOLOv10模型颈部网络中的部分Concat层替换为双向特征金字塔网络 BiFPN；
具体地，将 YOLOv10 原有颈部网络中的第十二层 Concat0 和第十五层 Concat1替换为 BiFPN，其余的 Concat 层保持不变。
需要理解的是，基于上述特征限定，在YOLOv10模型的颈部网络中，Concat层用于将不同层次的特征图进行拼接；这些特征图通常具有不同的分辨率和通道数，需要识别出这些Concat层，并确定哪些层可以被替换为BiFPN模块；将选中的第十二层 Concat0 和第十五层 Concat1替换为BiFPN模块，BiFPN模块通过自顶向下和自底向上的路径来融合特征，并使用加权特征和跨尺度连接来增强特征融合的效果；在替换过程中，需要确保BiFPN模块的输入和输出与原始Concat层的输入和输出保持一致，以保持模型的完整性和性能；BiFPN模块包含多个可学习的参数，如权重和偏置，这些参数需要在训练过程中进行优化；根据DSPD_YOLOv10模型的需求和数据集的特性，调整BiFPN模块的参数，以实现最佳的性能；并且，在替换和调整参数后，需要重新训练DSPD_YOLOv10模型，以确保BiFPN模块能够有效地与模型的其余部分协同工作；训练过程中，需要监控模型的性能，并根据需要进行调整和优化。
需要说明的是，BiFPN模块通过跨尺度的特征融合，能够生成更具表现力的特征图，从而提高模型对不同尺度目标的检测能力；将BiFPN配置到DSPD_YOLOv10模型的颈部网络中，能够提高模型的检测精度和效率；所选择的部分Concat层替层相比其余的Concat层更有利于小目标信息的捕获，部分替代是因为本发明在精度和推理速度上选择了一种最优的中和；既不会应为追求精度而忽略了满足工业速度的要求，也不会因为追求速度而放弃了精度在替换Concat层为BiFPN模块时，需要确保模型的输入输出尺寸和特征图的数量保持不变，以保持模型的兼容性。
S500：将PCB数据集输入DSPD_YOLOv10模型进行训练，并对训练结果进行评估；
进一步地，对训练结果进行评估中，评估指标包括召回率、精确度、平均精确度、平均精确度均值和帧率；
召回率通过如下公式计算：
；
精确度通过如下公式计算：
；
平均精确度通过如下公式计算：
；
平均精确度均值通过如下公式计算：
；
帧率通过如下公式计算：
；
其中，Recall表示召回率，Precision表示精确度，AP表示平均精确度，mAP表示平均精确度均值，FPS表示帧率，FN表示实际为正样本预测为负样本的数量，FP表示实际为负样本预测为正样本的数量，TP表示实际为正样本预测也为正样本的数量，P(r)表示查全率和查准率所包围的函数图像，n表示缺陷类别数，i表示第i个类别，Fn表示待检测图片个数，T表示检测所有待检测图片所用的时间。
需要理解的是，基于上述特征限定，平均精确度是对不同置信度阈值下的精确度-召回率（P-R）曲线进行积分得到的面积值；它提供了一个单一的性能指标，用于衡量模型在不同召回率水平下的精确度；平均精确度均值是衡量目标检测算法性能的关键指标之一，它考虑了所有类别的平均检测精度；通过计算每个类别的精度并取平均值，平均精确度均值能够全面反映算法在不同类别上的检测性能；平均精确度均值越高，意味着算法能够更准确地识别出目标物体，且在不同类别上表现更稳定；精确率反映了算法预测为正样本的实例中，真正为正样本的比例；高精确率意味着算法预测的结果更加可靠，减少了误报的情况；在PCB缺陷检测中，高精确率能够确保检测到的缺陷更加准确，减少了不必要的返工和成本浪费；召回率衡量了算法能够正确识别出的正样本占总正样本的比例；高召回率意味着算法能够检测到更多的实际缺陷，减少了漏报的情况；在实际应用中，高召回率对于确保产品质量和安全性至关重要；帧率表示算法每秒能够处理的图片数量；帧率值越高，意味着算法具有越快的处理速度，能够实时或接近实时地处理输入图片；在PCB缺陷检测中，高帧率值能够确保生产线的高效运行，减少等待时间和成本。
S600：根据训练好的DSPD_YOLOv10模型对待检测样品进行检测，得到检测结果；
根据本实施例的一种PCB缺陷检测方法，首先，需要收集大量的PCB（印刷电路板）图像数据，这些数据应包含各种可能的缺陷类型，如断裂、短路、缺失元件等；对收集到的PCB图像进行预处理，如去噪、增强对比度等，以提高图像质量。同时，对图像中的缺陷进行精确标注，这是训练模型识别缺陷的基础；为了隔离和管理模型开发过程中的依赖关系，创建一个虚拟运行环境，这有助于确保模型在不同环境中的一致性和可重复性；在虚拟运行环境中，构建YOLOv10模型，YOLOv10是一种先进的目标检测模型，具有高精度和实时性能。为了进一步提高模型的运行效率，对其进行轻量化处理，如剪枝、量化等；将空间到深度卷积（SPD_conv）模块优化为更高效的DSPD模块，并将其配置到YOLOv10模型中；这一步骤旨在提高模型对空间特征的处理能力，同时减少计算量；配置双向特征金字塔网络BiFPN：在DSPD_YOLOv10模型的颈部网络中配置双向特征金字塔网络（BiFPN）；BiFPN能够更有效地融合不同尺度的特征信息，从而增强模型对浅层特征信息的捕捉能力，提高缺陷检测的准确性；使用经过预处理的PCB数据集对DSPD_YOLOv10模型进行训练。训练过程中，模型会学习如何识别并定位图像中的缺陷；训练完成后，对模型的主要性能指标进行分析，如准确率、召回率等。这些指标能够反映模型在缺陷检测任务上的表现；根据分析结果，对模型的性能进行评估。如果模型表现不佳，可能需要调整模型结构、优化参数或增加训练数据等，如果模型表现良好，则可以进行下一步的应用。
需要说明的是，通过优化SPD_conv模块为DSPD模块，并配置BiFPN网络，DSPD_YOLOv10模型能够更有效地捕捉和利用图像中的特征信息，从而提高缺陷检测的精度；对YOLOv10模型进行轻量化处理，可以减少模型的计算量和内存占用，从而提升模型的运行效率，使其更适合在实际应用中部署；通过创建虚拟运行环境，可以方便地管理模型开发过程中的依赖关系，确保模型在不同环境中的一致性和可重复性，这有助于增强模型的可扩展性和可维护性；综上，PCB缺陷检测方法通过一系列的技术优化和创新，实现了对PCB缺陷的高精度、高效率检测，为PCB制造业的自动化和智能化提供了有力的技术支持。
需要说明的是，本申请实施例提供的一种PCB缺陷检测方法，执行主体可以为一种PCB缺陷检测系统，或者该PCB缺陷检测系统中的用于执行加载一种PCB缺陷检测方法的控制模块。本申请实施例中以一种PCB缺陷检测系统执行加载一种PCB缺陷检测方法为例，说明本申请实施例提供的一种PCB缺陷检测方法。
一种PCB缺陷检测系统，包括以下模块：
第一获取模块，用于建立YOLOv10模型，并获取网络模型所需的PCB数据集，PCB数据集包括训练集、验证集与测试集；
第一处理模块，用于对第一获取模块获取的PCB数据集进行预处理，得到预处理后的PCB数据集，；
第二处理模块，用于对第一获取模块建立的YOLOv10模型进行轻量化处理；
第一改进模块，将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将DSPD模块配置到轻量化处理后的YOLOv10模型中，得到DSPD_YOLOv10模型；
第二改进模块，将预设的双向特征金字塔网络BiFPN配置到DSPD_YOLOv10模型的颈部网络中；
第一训练模块，通过第一处理模块预处理后的PCB数据集对第二改进模块改进后的DSPD_YOLOv10模型进行训练；
第一评估模块，用于对第一训练模块的训练结果进行评估。
本申请实施例中的一种PCB缺陷检测系统可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机（ultra-mobilepersonal computer，UMPC）、上网本或者个人数字助理（personal digital assistant，PDA）等，非移动电子设备可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（personal computer，PC）、电视机（television，TV）等，本申请实施例不作具体限定。
本申请实施例中的一种PCB缺陷检测系统以为具有操作系统的装置。该操作系统可以为安卓（Android）操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的一种PCB缺陷检测系统能够实现图1至图2的方法实施例中一种PCB缺陷检测方法实现的各个过程，为避免重复，这里不再赘述。
根据本实施例的一种PCB缺陷检测系统，第一获取模块能够建立YOLOv10模型，并有效地获取和划分PCB数据集为训练集、验证集和测试集，这确保了模型训练过程中有充足、多样化的数据支持，从而提高模型的泛化能力；第一处理模块对PCB数据集进行预处理，这通常包括图像增强等操作，有助于提升模型对PCB缺陷的识别精度，同时减少噪声对模型训练的影响；第二处理模块对YOLOv10模型进行轻量化处理，这可以显著减少模型的计算复杂度和存储需求，使得模型更适合在资源受限的硬件上运行，提高系统的实际应用性；第一改进模块通过优化空间到深度卷积SPD_conv模块为DSPD模块，并配置到轻量化后的YOLOv10模型中，可以进一步提升模型的检测精度和速度。DSPD模块可能通过更有效的特征提取和转换，增强了模型对PCB缺陷的识别能力；第二改进模块将预设的双向特征金字塔网络BiFPN配置到DSPD_YOLOv10模型的颈部网络中，这有助于模型更好地融合多尺度特征，提高对不同大小和形状的PCB缺陷的检测能力；第一训练模块使用预处理后的PCB数据集对改进后的DSPD_YOLOv10模型进行训练，确保模型能够学习到PCB缺陷的有效特征；第一评估模块对训练结果进行评估，可以量化模型的性能，包括检测精度、召回率等指标，为模型的进一步优化提供数据支持。
可选地，本申请实施例还提供一种电子设备，包括处理器，存储器，存储在存储器上并可在处理器上运行的程序或指令，该程序或指令被处理器执行时实现上述一种PCB缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述一种PCB缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory， RAM）、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (8)

1.一种PCB缺陷检测方法，其特征在于，所述方法包括：
获取PCB数据集，对所述PCB数据集进行图像预处理和缺陷标注；
创建虚拟运行环境，在所述虚拟运行环境中构建YOLOv10模型，并对所述YOLOv10模型进行轻量化处理；
将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到所述YOLOv10模型中，得到DSPD_YOLOv10模型；
构建双向特征金字塔网络BiFPN，并将所述双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中；
将所述PCB数据集输入所述DSPD_YOLOv10模型进行训练，并对训练结果进行评估；
根据训练好的所述DSPD_YOLOv10模型对待检测样品进行检测，得到检测结果；
所述空间到深度卷积SPD_conv 模块包括一个space-to-depth层和一个non-stridedconvolution层；所述将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到所述YOLOv10模型中，具体为：
将所述空间到深度卷积SPD_conv 模块中的所述non-strided convolution层删除，并对所述space-to-depth层进行自适应加权处理和深度排序进行优化，得到所述DSPD模块；
保持所述YOLOv10模型中主干网络的第一个卷积的步长不变，在其余卷积层后配置所述DSPD 模块；
所述DSPD模块处理图像的过程如下，
输入特征图进行切片处理，得到若干特征子图，具体公式如下：
；
对所述特征子图进行自适应加权处理和空间维度处理，使所述特征子图的空间维度一致，具体公式如下：
；
再对自适应加权处理和空间维度处理后的特征子图进行拼接操作，具体公式如下：
；
其中，表示抽样切片函数，X表示输入特征图，s 表示比例，e 表示抽样步长，Xs-1，s-1表示在输入特征信息中位置为（s-1，s-1）的特征，Ps-1，s-1表示进行自适应加权处理和空间维度处理的Xs-1，s-1，、、和分别表示Xs-1，s-1、Xs-2，s-1、Xs-1，s-2和X0，0对应的特征权重值，表示对特征进行空间维度处理，表示比例s对应的输出特征信息，cat是将特征图进行拼接操作的函数。
2.根据权利要求1所述的一种PCB缺陷检测方法，其特征在于，所述获取PCB数据集，对所述PCB数据集进行图像预处理和缺陷标注；具体如下：
对工业生产出的PCB板进行成像，整理得到包括含缺陷的PCB数据集，所述缺陷包括缺孔、鼠咬、开路、短路、毛刺和假铜；通过数据增强的方式，对所述PCB数据集进行扩充；对扩充后的所述PCB数据集进行自适应线性插值超分辨率重建处理，并对所述缺陷进行标记，最终将所述PCB数据集分成训练集、测试集和验证集。
3.根据权利要求1所述的一种PCB缺陷检测方法，其特征在于，所述对所述YOLOv10模型进行轻量化处理的过程为：
将YOLOv10模型中的普通卷积置换为轻量型幻影卷积 GhostConv。
4.根据权利要求1所述的一种PCB缺陷检测方法，其特征在于，将双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中，具体为：
将所述YOLOv10模型颈部网络中的部分Concat层替换为所述双向特征金字塔网络BiFPN。
5.根据权利要求1所述的一种PCB缺陷检测方法，其特征在于，对训练结果进行评估中，评估指标包括召回率、精确度、平均精确度、平均精确度均值和帧率；
所述召回率通过如下公式计算：
；
所述精确度通过如下公式计算：
；
所述平均精确度通过如下公式计算：
；
所述平均精确度均值通过如下公式计算：
；
所述帧率通过如下公式计算：
；
其中，Recall表示召回率，Precision表示精确度，AP表示平均精确度，mAP表示平均精确度均值，FPS表示帧率，FN表示实际为正样本预测为负样本的数量，FP表示实际为负样本预测为正样本的数量，TP表示实际为正样本预测也为正样本的数量，P(r)表示查全率和查准率所包围的函数图像，n表示缺陷类别数，i表示第i个类别，Fn表示待检测图片个数，T表示检测所有待检测图片所用的时间。
6.一种PCB缺陷检测系统，能够实现权利要求1-5任一项所述的一种PCB缺陷检测方法，其特征在于，所述系统包括：
第一获取模块，用于建立YOLOv10模型，并获取网络模型所需的PCB数据集，所述PCB数据集包括训练集、验证集与测试集；
第一处理模块，用于对所述第一获取模块获取的所述PCB数据集进行预处理，得到预处理后的所述PCB数据集；
第二处理模块，用于对所述第一获取模块建立的所述YOLOv10模型进行轻量化处理；
第一改进模块，将空间到深度卷积SPD_conv 模块优化为DSPD模块，并将所述DSPD模块配置到轻量化处理后的所述YOLOv10模型中，得到DSPD_YOLOv10模型；
第二改进模块，将预设的双向特征金字塔网络BiFPN配置到所述DSPD_YOLOv10模型的颈部网络中；
第一训练模块，通过所述第一处理模块预处理后的PCB数据集对所述第二改进模块改进后的所述DSPD_YOLOv10模型进行训练；
第一评估模块，用于对所述第一训练模块的训练结果进行评估。
7.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-5所述的一种PCB缺陷检测方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-5所述的一种PCB缺陷检测方法的步骤。
CN202411523259.4A 2024-10-30 2024-10-30 Pcb缺陷检测方法、系统、设备及存储介质 Active CN119048496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411523259.4A CN119048496B (zh) 2024-10-30 2024-10-30 Pcb缺陷检测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411523259.4A CN119048496B (zh) 2024-10-30 2024-10-30 Pcb缺陷检测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN119048496A CN119048496A (zh) 2024-11-29
CN119048496B true CN119048496B (zh) 2025-02-18

Family

ID=93586170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411523259.4A Active CN119048496B (zh) 2024-10-30 2024-10-30 Pcb缺陷检测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN119048496B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120107744A (zh) * 2025-01-10 2025-06-06 武汉纺织大学 一种基于YOLOv10n的电力高空作业安全带佩戴识别方法及产品
CN120107252B (zh) * 2025-05-07 2025-09-05 深圳联宇华电子有限公司 基于机器视觉的芯片贴片检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256623A (zh) * 2021-06-29 2021-08-13 南昌工程学院 一种基于改进mask rcnn的fpc缺陷检测方法
CN117422970A (zh) * 2023-07-20 2024-01-19 浙江师范大学 基于YOLOv8改进的缺陷PCB检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392953B (zh) * 2020-03-12 2025-01-28 澜起科技股份有限公司 用于对神经网络中卷积层进行剪枝的方法和装置
CN114663376B (zh) * 2022-03-15 2025-09-16 中国华能集团清洁能源技术研究院有限公司 基于改进ssd模型的风机叶片缺陷检测方法及系统
CN117893517A (zh) * 2024-01-24 2024-04-16 南京信息工程大学 基于改进YOLOv5的布匹缺陷检测方法
CN118587569A (zh) * 2024-05-24 2024-09-03 上海海事大学 基于增强YOLOv9模型的水下目标检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256623A (zh) * 2021-06-29 2021-08-13 南昌工程学院 一种基于改进mask rcnn的fpc缺陷检测方法
CN117422970A (zh) * 2023-07-20 2024-01-19 浙江师范大学 基于YOLOv8改进的缺陷PCB检测方法

Also Published As

Publication number Publication date
CN119048496A (zh) 2024-11-29

Similar Documents

Publication Publication Date Title
CN119048496B (zh) Pcb缺陷检测方法、系统、设备及存储介质
CN111311475B (zh) 检测模型训练方法、装置、存储介质和计算机设备
CN110569899A (zh) 坝面缺陷分类模型训练方法及装置
CN119048497B (zh) Pcb缺陷检测方法、系统、设备和存储介质
CN115578616B (zh) 多尺度物体实例分割模型的训练方法、分割方法和装置
CN112381092B (zh) 跟踪方法、装置及计算机可读存储介质
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN117853492B (zh) 一种基于融合模型的智能化工业缺陷检测方法及系统
CN116542975B (zh) 一种玻璃面板的缺陷分类方法、装置、设备和介质
CN110148117A (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN116824135A (zh) 基于机器视觉的大气自然环境试验工业产品识别分割方法
CN110991412A (zh) 人脸识别的方法、装置、存储介质及电子设备
CN118644466A (zh) 一种基于深度学习的焊缝质量缺陷实时检测方法
CN114463300B (zh) 钢材表面缺陷检测方法、电子设备、存储介质
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及系统
CN119672576A (zh) 基于尺度自适应识别的无人机目标检测方法、设备及介质
CN119379617A (zh) 光伏组件的膜带缺失检测方法、装置、设备及存储介质
CN118865044A (zh) 混凝土孔内裂缝检测方法、装置、设备及存储介质
CN119091315A (zh) 一种基于航拍的长城损坏区域检测方法
CN118747748A (zh) 一种基于YOLOv5模型的缺陷PCB检测方法
CN118898584A (zh) 一种基于改进Yolov7模型的小目标织物疵点检测方法及装置
CN116543248A (zh) 一种适用于嵌入式gpu平台的检测方法及相关装置
CN116993698B (zh) 织物瑕疵检测方法、装置、终端设备及介质
CN116740385B (zh) 一种设备质检方法、装置和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 289 No. 330000 Jiangxi city of Nanchang province high tech Zone Tianxiang Road

Patentee after: Jiangxi University of Water Resources and Electric Power

Country or region after: China

Address before: 289 No. 330000 Jiangxi city of Nanchang province high tech Zone Tianxiang Road

Patentee before: NANCHANG INSTITUTE OF TECHNOLOGY

Country or region before: China