本發(fā)明屬于計算機視覺與電子制造領域，具體涉及一種基于mobile-yolo的pcb組件x-ray圖像識別方法。

背景技術：

1、隨著電子技術的不斷進步，pcb（printed?circuit?board，印刷電路板）已經成為現代電子設備中不可或缺的重要組成部分。為了確保pcb的質量和性能，pcb制造過程中的缺陷檢測尤為重要。pcb的缺陷不僅會影響產品的正常功能，還可能導致設備性能下降，甚至出現故障，帶來安全隱患。因此，準確、快速地檢測pcb中的缺陷，是保證產品質量的關鍵步驟。

2、傳統的pcb缺陷檢測方法多依賴人工目視檢查或簡單的自動化檢測工具。這些方法雖然可以在一些低精度要求的場景中有效工作，但在復雜的電路板設計和高精度要求的生產環(huán)境下，它們往往難以滿足高效、精準檢測的需求。人工檢查的效率低，且容易受到操作人員的疲勞、經驗等因素的影響，無法保證一致性和高準確率。而傳統的機器視覺檢測系統通常基于預設的規(guī)則，難以應對pcb圖像中的各種變形、噪聲等變化。因此，隨著pcb制造工藝的復雜化，傳統方法逐漸暴露出種種局限，急需更高效、更精準的缺陷檢測技術。

3、近年來，深度學習技術在圖像識別領域取得了顯著進展，尤其是在目標檢測方面表現出色。深度學習模型能夠通過訓練數據自動學習特征表達，而無需人工設計特征，這為pcb缺陷檢測提供了新的解決方案。在眾多深度學習框架中，yolo（you?only?look?once）系列目標檢測算法因其在檢測精度和速度上的優(yōu)異表現，已成為目標檢測領域的熱門選擇。yolo算法通過單一神經網絡模型實現圖像的目標識別，具有較高的檢測速度和較低的計算復雜度，特別適合實時性要求較高的工業(yè)應用。

4、然而，yolo系列模型雖然具有很高的檢測速度和精度，但在工業(yè)應用中仍然面臨著一些挑戰(zhàn)。首先，傳統yolo模型的計算量較大，尤其是在目標檢測精度要求較高的場景中，模型的參數量和計算復雜度仍然較高，難以適應計算資源有限的設備。其次，pcb缺陷的種類繁多，缺陷尺寸小、形態(tài)復雜，因此，如何提高檢測模型在復雜背景下的魯棒性，以及如何處理低分辨率、噪聲干擾等，依然亟待解決。此外，x-ray圖像因其特殊的成像方式，通常帶有較多的噪聲和不確定性，因此，如何提高x-ray圖像的缺陷識別率，也是一個值得關注的問題。

5、近年來，輕量化神經網絡和注意力機制已成為深度學習領域的重要研究方向。輕量化網絡旨在減少模型的參數量和計算復雜度，以實現更高效的實時推理。通過設計高效的輕量化網絡，能夠在保證高精度的同時，大幅降低計算資源消耗，滿足嵌入式系統、移動設備等硬件資源有限的環(huán)境需求。

技術實現思路

1、本發(fā)明提供了一種基于mobile-yolo的pcb組件x-ray圖像識別方法，旨在解決傳統方法中存在的檢測效率低、精度不足以及模型復雜度高的問題，滿足工業(yè)場景中對實時性和設備資源限制的需求。

2、本發(fā)明采用的技術方案為：一種基于mobile-yolo的pcb組件x-ray圖像識別方法，包括以下步驟：

3、s1，數據采集與預處理：采集pcb的x-ray缺陷圖像數據，標注缺陷位置，并通過數據增強對圖像進行擴充，生成數據集；將數據集按8:2的比例劃分為訓練集與驗證集；

4、s2，構建mobile-yolo網絡：基于yolov8s模型設計輕量化網絡結構，包括mobile-yolol模型和mobile-yolos模型；采用ssa?mobile模塊對卷積特征進行優(yōu)化；

5、s3，模型訓練與驗證：采用預訓練權重yolov8s.pt初始化模型；使用訓練批次200次，最后10批次關閉mosaic增強，保存訓練過程中表現最優(yōu)的模型權重文件和最終權重文件；

6、s4，性能評估：統計模型的精確率p、召回率r、map、模型權重大小和計算復雜度，驗證模型性能。

7、進一步，所述數據增強包括水平翻轉、垂直翻轉、高斯模糊、椒鹽噪聲、亮度變化和mosaic增強。

8、進一步，所述mobile-yolol模型的backbone各層輸出通道分別為64、128、128、256、256、512、512、1024、1024和1024，ssa?mobile模塊的數量為8層，neck和head結構與yolov8s一致。

9、進一步，所述mobile-yolos模型的backbone各層輸出通道分別為64、128、128、256、256、512和512，ssa?mobile模塊的數量為5層，輸出通道減半；所述mobile-yolos模型權重為mobile-yolol的三分之一。

10、進一步，所述ssa?mobile模塊內部包括以下步驟：

11、s21，通過1×1卷積提取初始特征，并應用批量歸一化與hardswish激活函數對初始特征進行處理，生成s22初始特征；

12、s22，將s22初始特征通過二維平均池化對初始特征進行降維處理，接著使用全連接層對特征進行進一步降維，并通過relu和hardsigmoid激活函數恢復特征的表達能力，最終通過通道加權操作，生成s23初始特征；

13、s23，將s23初始特征經空間注意力模塊生成空間注意力特征，空間注意力特征通過最大池化和平均池化操作分別獲得兩種不同的特征圖，然后將它們拼接在一起，并使用7×7卷積生成空間注意力圖；最后將空間注意力圖與輸入特征圖進行逐元素相乘，生成s24初始特征；

14、s24，將s24初始特征與s22初始特征相加并經1×1卷積，輸出的特征與s21中的初始特征相加融合為優(yōu)化后的最終特征。

15、綜上，所述方法通過對yolov8s模型進行高效的輕量化設計，結合數據預處理和增強技術，并且提升對pcb組件x-ray圖像中的微小缺陷的檢測能力。

16、本發(fā)明所具有的有益效果為：

17、1、高檢測性能：mobile-yolo網絡在pcb缺陷檢測任務中實現了召回率100%、mobile-yolol準確率高達98%以上，mobile-yolo的綜合指標map優(yōu)于其他模型；

18、2、輕量化設計：mobile-yolol和mobile-yolos分別比原yolov8s模型的計算復雜度降低26%和73%，mobile-yolos的模型權重僅為4.5mb，適合邊緣設備部署；

19、3、工業(yè)適用性強：滿足實時工業(yè)檢測場景需求，尤其在資源受限環(huán)境中表現優(yōu)異；

20、4、加強卷積神經網絡的學習：ssa?mobile模塊通過通道注意力與空間注意力的結合，有效提升了特征提取效率和檢測性能。

21、本發(fā)明提供了一種高效、輕量化的pcb組件x-ray圖像識別方法，可廣泛應用于pcb制造中的質量檢測環(huán)節(jié)，為工業(yè)自動化檢測提供了重要技術支持。

技術特征：

1.一種基于mobile-yolo的pcb組件x-ray圖像識別方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于mobile-yolo的pcb組件x-ray圖像識別方法，其特征在于：所述數據增強包括水平翻轉、垂直翻轉、高斯模糊、椒鹽噪聲、亮度變化和mosaic增強。

3.根據權利要求1所述的一種基于mobile-yolo的pcb組件x-ray圖像識別方法，其特征在于：所述mobile-yolol模型的backbone各層輸出通道分別為64、128、128、256、256、512、512、1024、1024和1024，ssa?mobile模塊的數量為8層，neck和head結構與yolov8s一致。

4.根據權利要求1所述的一種基于mobile-yolo的pcb組件x-ray圖像識別方法，其特征在于：所述mobile-yolos模型的backbone各層輸出通道分別為64、128、128、256、256、512和512，ssa?mobile模塊的數量為5層，輸出通道減半；所述mobile-yolos模型權重為mobile-yolol的三分之一。

5.根據權利要求1所述的一種基于mobile-yolo的pcb組件x-ray圖像識別方法，其特征在于，所述ssa?mobile模塊內部包括以下步驟：

技術總結
本發(fā)明公開了一種基于Mobile?YOLO的PCB組件X?Ray圖像識別方法，基于采集的PCB組件X?Ray缺陷圖像數據集，通過數據標注與多種數據增強技術豐富訓練樣本，構建Mobile?YOLO網絡；Mobile?YOLO包括Mobile?YOLOl和Mobile?YOLOs，采用了結合通道注意力和空間注意力機制的輕量化的SSA?Mobile模塊；權重比約為3:1的Mobile?YOLOl和Mobile?YOLOs分別針對不同計算資源需求設計，既保留了高精度，又顯著降低模型權重和計算復雜度。本發(fā)明通過優(yōu)化Backbone結構和激活函數配置，并結合Neck和Head部分，Mobile?YOLO實現了召回率100%的缺陷檢測性能。實驗結果表明，本發(fā)明在多個指標上優(yōu)于現有模型，特別適用于工業(yè)環(huán)境下的實時PCB缺陷檢測需求。

技術研發(fā)人員：畢瑩,許建軍,岳彩通,秦翔
受保護的技術使用者：鄭州大學
技術研發(fā)日：
技術公布日：2025/5/15