Método de Detecção de Defeitos em PCB Baseado em Transformer-YOLO

Para resolver o problema da baixa precisão e eficiência na detecção de defeitos em placas de circuito impresso (PCB) usando métodos de referência, um modelo de detecção de rede Transformer-YOLO é proposto. Primeiramente, um algoritmo de clusterização melhorado é utilizado para gerar a caixa âncora adequada ao conjunto de dados de defeitos de PCB deste artigo. Em segundo lugar, abandonando a ideia tradicional de usar redes neurais convolucionais para extrair características de imagem, o Swin Transformer é utilizado como a rede de extração de características, que pode estabelecer de forma eficaz a dependência entre as características da imagem. Finalmente, para modificar a ordem dos canais no mapa de características e permitir que a rede se concentre de forma mais eficaz nas informações de maior valor, o módulo de convolução e mecanismo de atenção é adicionado ao componente da rede de detecção de características. Comparando o modelo de rede proposto neste artigo com Faster R-CNN, SSD, YOLOv3, YOLOv4 e YOLOv5, os resultados experimentais mostram que o modelo proposto melhora a precisão em 23,90%, 15,51%, 10,70%, 7,83% e 6,12%, respectivamente, o que é melhor do que a maioria dos outros modelos mainstream de detecção de alvos e tem um volume relativamente pequeno.