(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211034401.X (22)申请日 2022.08.26 (71)申请人 湖南科技大 学 地址 411201 湖南省湘潭市雨湖区石码头2 号 (72)发明人 伍济钢　任强　梁谋　曹鸿　王刚　 曾嘉　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 张晓博 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOL Ov5的PCB小目标缺陷检测方法 和系统 (57)摘要 本发明属于机器视觉检测技术领域， 公开了 一种基于改进YOL Ov5的基于改进YOL Ov5的PCB小 目标缺陷检测方法和系统， 对PCB小目标缺陷数 据集进行聚类分析并得到聚类中心； 将PCB小目 标缺陷数据集输入二分K ‑means聚类算法， 将聚 类中心值输入至YOL Ov5网络； 分别对YOLOv5 特征 提取网络和YOL Ov5特征融合网络进行改进， 引用 BiFPN路径聚合网络代替YOLOv5特征融合网络； 采用Decoupled ‑head解耦头网络作为YOLOv5特 征检测网络， 设置相关参数进行训练； 利用权重 文件在测试数据集中进行缺陷检测。 本发明可以 准确获得PCB小目标缺陷相关信息， 满足实际工 业生产时的高精度、 高速度、 实时性要求。 权利要求书3页 说明书12页 附图4页 CN 115359016 A 2022.11.18 CN 115359016 A 1.一种基于改进YOLOv5的PCB小目标缺 陷检测方法， 其特征在于， 所述基于改进YOLOv5 的PCB小目标缺陷检测方法包括： 采用DBSCAN+二分K ‑means聚类算法对PCB小目标缺陷数据集进行聚类分析并得到聚类 中心； 将通过DBSCAN算法处理后的PCB小目标缺陷数据集输入二分K ‑means聚类算法， 将通 过二分K‑means聚类算法获得的聚类中心值输入至YOLOv5网络， 再对YOLOv5算法的标注信 息和缺陷种类信息进行配置； 对YOLOv5特征提取网络进行算法改进， 引用GAM模块加入 YOLOv5特征提取网络； 对YOLOv5特征融合网络进行算法改进， 引用BiFPN路径聚合网络代替 YOLOv5特征融合网络； 采用Decoupled ‑head解耦头网络作为YOLOv5特征检测网络； 将改进 思路在YOLOv5代码中进行修改， 设置相关参数进行训练以及实验验证； 利用训练得到的权 重文件在PCB小目标缺陷测试 数据集中进行缺陷检测， 验证模型检测效果。 2.如权利要求1所述的基于改进YOLOv5的PCB小目标缺陷检测方法， 其特征在于， 所述 基于改进YOLOv5的PCB小目标缺陷检测方法包括以下步骤： 步骤一， 利用DBSCAN+二分K ‑means算法对PCB缺陷数据集进行聚类分析， 得到更适合 PCB小目标缺陷的聚类中心； 步骤二， 将通过改进聚类算法获得的锚框信息、 PCB小目标数据集的训练数据集和PCB 缺陷种类信息 输入至YOLOv5算法网络中， 进行相关参数设置； 步骤三， 对YOLOv5特征提取网络进行相应改进， 将 GAM网络引入到YOLOv5特征提取网络 中， 根据相关原理对代码进行修改； 步骤四， 搭建BiFPN路径聚合网络， 对YOLOv5特征融合网络进行相应改进， 再进行相应 代码修改； 步骤五， 搭建Decoupled ‑head解耦头网络， 在YOLOv5特征检测网络中增加Decoupled ‑ head解耦头网络， 进行相应代码修改； 步骤六， 对改进 的YOLOv5算法进行训练， 结合预训练权重文件设置好相 关参数进行训 练； 步骤七， 利用训练的得到的权重文件对PCB缺陷数据集测试数据集进行缺陷检测， 并验 证模型检测效果。 3.如权利要求2所述的基于改进YOLOv5的PCB小目标缺陷检测方法， 其特征在于， 所述 步骤一中， 采用DBSCAN+二分K ‑means算法实现对PCB缺陷数据集的聚类 分析， 通过聚类分析 得到9个不同尺寸的聚类中心， 得到适合PCB小目标缺陷的锚框数值； 具体包括： 利用DBSAN 算法对公开的P CB小目标缺陷数据集进 行相关分析， 排除边缘点和孤立点因素的干扰， 再利 用二分K‑means聚类算法得到所需锚框数值； 获取锚框数值的流程为将排除孤立点因素的 标定框数据集作为输入， 将所有 数据作为聚类簇， 将所述聚类簇利用K ‑means算法分为两个 簇， 并计算每个簇的误差； 选择能使聚类损失函数将IoU最小的簇划分为两个簇， 继续进行 下去， 直到选出簇数目达到用户给定的K值为止； 最 终共聚类出9个锚框； 其中， 误差IOU计算 公式如下： 其中， boxi代表第i个标定 框数值， cenj代表第j个锚框数值。权　利　要　求　书 1/3 页 2 CN 115359016 A 24.如权利要求2所述的基于改进YOLOv5的PCB小目标缺陷检测方法， 其特征在于， 所述 步骤二中， 将通过DBSCAN算法处理后的PCB小目标缺陷数据集输入至二分K ‑means算法中， 再将采用二分K ‑means算法得到的聚类中心输入至YOLOv5中， 并将得到聚类中心数值按从 小到大顺序输入至YOLOv5模型参数当中； 再在YOLOv5模型相关参数中设置需要检测的PCB 缺陷类别， PCB小目标缺陷数据集的路径等相关信息； 根据留出法对所需PCB小目标缺陷数 据集进行划分， 按照9： 1的比例设置训练数据集和验证数据集， 将得到的各类数据集相关信 息汇成文本文档， 输入至 YOLOv5模型当中； 所述步骤三中， 采用GAM网络改进YOLOv5特征提取网络； 给定输入特征映射F1∈RC×H×W， 中间状态F2和输出F3， 过程表述公式如下： 其中， MC是通道注意力图； MS是空间注意力图； 表示基于元 素的乘法操作。 5.如权利要求2所述的基于改进YOLOv5的PCB小目标缺陷检测方法， 其特征在于， 所述 步骤四中， 采用Efficientnet网络模型中的BiFPN路径聚合网络结构对原网络的YOLOv5特 征融合网络进行改进； 所述BiFPN采用的优化方法如下： (1)删除没有特征融合 ‑‑贡献很小且只有一条输入边的节点； (2)在不增加过多成本的 前提下， 在相同层增加一个跳跃连接； (3)多次重复路径聚合网络； (4)针对不同分辨率输入 特征的贡献不平 等问题， BiFPN为每个输入额外增加一个权重， 采用快速归一化特征融合方 法， 公式如下： 其中， ωi≥0， ∈＝0.0001， ωi和ωj是可学习的权重， Li是向量； ωi≥0通过在每个ωi 后施加Relu函数保证， ∈取小值； BiFPN第6层融合特 征输出公式如下： 其中， 是自上而下路径中第6层的中间特征， 是自下而上路径中第6层的输出特 征， ω1、 ω2和ω′1、 ω′2、 ω′3分别是 和 的输入权重， Resize是上采样或下采样， Conv 是卷积操作； 所述步骤五中， 引用Decoupled ‑head解耦头对现有网络模型的检测模块进行改进； Decoupled ‑head解耦头的思想来源于Double ‑head检测头； Double ‑head检测头 结构具有两 个分支， 一个分支用于类别定位的conv ‑head， 另一个分支用于目标分类的fc ‑head； conv ‑ head采用卷积运算获取目标的边缘信息； 采用Decoupled ‑head解耦头对原 网络进行改进， 改进后的网络模型的类别与定位信息分别由两个分支输出。 6.如权利要求2所述的基于改进YOLOv5的PCB小目标缺陷检测方法， 其特征在于， 所述 步骤六中， 对YOLOv5算法代码进行改进， 并实现相关代码训练； 利用GAM网络改进YOLOv5特 征提取网络， 在对应特征提取层数后面增加相应GAM层， 在YOLOv5特征融合网络中增加权　利　要　求　书 2/3 页 3 CN 115359016 A 3