摘要：印刷电路板(pcb)检测方法对于确保产品正常工作至关重要。该文针对传统的人工检测方法易存在漏检、误检等问题,采用深度学习方法对pcb缺陷进行检测,并搭建了基于ZYNQ的硬件实现平台;采用软硬件协同设计方法,使用FPGA对算法进行了硬件加速,其中包括采用了YOLOv3-SPP网络模型,并对该结构进行了优化,使其适用于ZYNQ端的部署。在搭建硬件平台时,首先通过Vivado配置硬件基本信息,然后使用PetaLinux创建Linux系统,在Vitis中调用该系统并添加DPU IP核,最后在ZYNQ的PS端采用多线程思想编写Python程序,实现pcb缺陷的检测。实验结果显示,该系统对各类型pcb缺陷的检测精度均在0.95以上,检测精度平均值(mAP)为0.97。

摘要：针对自动化光学检测设备对印刷电路板(Printed Circuit Boards,pcb)裸板进行缺陷检测的过程中,采集的图像无法兼顾高分辨率与大视角的问题,提出了一种应用于pcb裸板缺陷检测的改进SIFT拼接算法。使用白平衡算法优化图像的质量,提高特征点的检测数量以及改善特征点的分布情况;设计分块策略并利用相似度度量准则的手段,缩小SIFT算法的有效范围,提升算法的整体运行效率;采用RANSAC算法与融合算法完成拼接。实验结果表明,与传统的SIFT+RANSAC算法相比,该算法在拼接准确度上提高了11.3%,拼接效率整体提高了52%,且最终拼接图像的质量也较好。

摘要：为了实现pcb缺陷的在线自动检测,设计了一种pcb缺陷自动检测系统,该系统主要由机器臂、电气控制系统以及视觉传感器系统等组成。通过可编程控制的图像采集系统获取高质量的原始视觉图像,利用图像处理实现对缺陷目标的自动检测及识别。实验结果验证了该系统检测pcb板缺陷的高效性和实时性。

摘要：本文提出了ATCSP-YOLOv5用于pcb中的小目标检测。将跨阶段局部网络(CSPNet)的思想和Transformer中多头自注意力机制(Multi-Head Attention)相结合,在YOLOv5的主干网络中加入多头自注意力跨阶段局部网络(ATCSP)模块。同时,在特征金字塔部分融合生成感受野更小的目标检测层,用于添加小目标探测头。除此之外,还使用了SRGAN和数据增强来扩充数据集,更好的实现了缺陷检测。在实验中ATCSP-YOLOv5的mAP@0.5为98.38%,相较于原始的YOLOv5s提升了3.06%,同时检测速度没有明显下降。

摘要：为了解决现阶段的印刷电路板(Printed Circuit Board,pcb)缺陷检测方法没有同时关注缺陷的细节信息以及全局信息,跨像素卷积或池化的降采样操作更是造成了pcb表面缺陷全局信息与细节信息的丢失。虽然部分方法使用注意力进行层内信息的关注,但是对普通卷积提取特征后造成的权重偏差问题缺乏关注的问题。本文提出了pcb表面缺陷检测网络(pcb defect detection Network,pcbNet),该方法通过设计膨胀挤压卷积(Dilation and extrusion Convolution,DeConv)提取pcb表面缺陷全局信息与细节信息,使用空间向通道集中卷积(Spatial to Passage Directed Focused Con⁃volution,SPD-Conv)进行降采样以减少信息丢失,设计细微特征增强模块(Subtle Feature Enhancement Module,SFEM)调节pcb表面缺陷特征的层内关系以及减少权重偏差的同时增强算法对细微特征的感知能力。在现场采集的pcb表面焊接缺陷数据集以及pcb Defect-Augmented数据集上与多种先进方法进行的对比的实验结果表明,pcbNet不仅在pcb表面焊接缺陷数据集上能够以每秒83帧的速度进行准确识别,还在pcb Defect-Augmented数据集上取得了COCO数据集评价指标mAP0.5的最佳精度。表明本文的方法拥有可部署在嵌入式设备上运行的潜力。