Um método aprimorado YOLOv3 para detecção de defeitos na superfície de PCBs

Em vista da baixa eficiência de detecção e alta taxa de detecções perdidas nos atuais circuitos impressos (PCB), este artigo propõe um método aprimorado de detecção de defeitos na superfície de PCB usando YOLOv3. Este método é baseado no modelo de rede YOLOv3. O aprimoramento de sua estrutura de rede inclui principalmente: 1. Combinar a camada de normalização em lote (BN, Batch Normalization) à camada convolucional, melhorando a velocidade de raciocínio para frente do modelo e reduzindo o tempo de treinamento do conjunto de dados de defeitos de PCB. 2. Visando o problema da não uniformidade entre a função objetivo e a métrica de avaliação no algoritmo de detecção de objetos YOLOv3, a métrica de desempenho GIoU e a função de perda são utilizadas para melhorar o efeito de detecção do modelo em alvos pequenos e médios de defeitos de PCB. 3. Usar o algoritmo de agrupamento K-means++ para otimizar o algoritmo de agrupamento K-means e determinar as âncoras apropriadas para o conjunto de dados de defeitos de PCB. 4. O treinamento em multiescala é utilizado para aumentar a robustez do modelo para detecção de imagens com diferentes resoluções. Os resultados experimentais mostram que o mAP (Precisão Média) atinge 92,13% e a taxa de detecção é aumentada para 63f/s, o que é uma melhora em comparação com o modelo YOLOv3, tendo uma melhor perspectiva de aplicação na detecção de defeitos na superfície de PCB.