YOLO-pdd：基于深度表征与顺序图像的多尺度 PCB 漏洞检测新方法
计算机视觉与模式识别
2024-07-23 v1 人工智能
摘要
随着 PCB 制造业的快速发展，人们对在生产过程中使用计算机视觉检测漏洞的需求日益增长。提高 PCB 漏洞检测模型的准确率和通用性仍然是重要挑战。本文提出了一种高精度、稳健且实时的 end-to-end 方法，用于 PCB 漏洞检测，基于深度卷积神经网络（CNN）。传统方法常常存在准确率低且适用范围有限的问题。我们提出了一种新方法，将YOLOv5 与多尺度模块结合，用于分层残差类连接。在 PCB 漏洞检测中，噪声可能会混淆背景和小目标。YOLOv5 模型提供了强大的基础，具有实时处理和准确目标检测能力。多尺度模块通过在单个块中引入分层残差类连接，扩展了传统方法，使其能够在多个尺度上提取特征。这一即插即用模块显著提升了性能，通过在多个尺度和层级提取特征，有助于识别大小和复杂度不同的漏洞。我们的多尺度架构将特征提取、漏洞定位和分类集成到一个统一的网络中。在大型 PCB 数据集上的实验表明，与现有方法相比，本文的方法在精确率、召回率和 F1-score 上均实现了显著提升。该工作推进了 PCB 漏洞检测领域的计算机视觉检查，为实现高精度、稳健、实时和领域适应的 PCB 漏洞检测提供了可靠解决方案。
引用
@article{arxiv.2407.15427,
title = {YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images},
author = {Bowen Liu and Dongjie Chen and Xiao Qi},
journal= {arXiv preprint arXiv:2407.15427},
year = {2024}
}