牛振振 陳力榮 王震 牛雅麗 呂旭陽(yáng)

摘? 要：針對(duì)印刷電路板缺陷檢測(cè)技術(shù)，文章提出了基于YOLOv5s的一個(gè)輕量型的CNN模型YOLO_AD，用于PCB缺陷檢測(cè)。該模型主要體現(xiàn)在將輕量型Ghost module作為骨干特征提取網(wǎng)絡(luò)，融合注意力機(jī)制，對(duì)輸入分配偏好進(jìn)行通用池化和信息加權(quán)平均后，引入空洞殘差網(wǎng)絡(luò)，減少了網(wǎng)絡(luò)模型與卷積運(yùn)算，提高了網(wǎng)絡(luò)處理效率。部署到嵌入式板卡中，采用MVC架構(gòu)配合硬件優(yōu)化及軟件設(shè)計(jì)搭建了實(shí)時(shí)在線的PCB目標(biāo)缺陷檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，測(cè)試各類(lèi)缺陷識(shí)別率為90.53%，檢測(cè)速度為30 FPS。

關(guān)鍵詞：缺陷檢測(cè)；輕量型網(wǎng)絡(luò)；注意力機(jī)制；空洞殘差網(wǎng)絡(luò)；嵌入式系統(tǒng)

中圖分類(lèi)號(hào)：TP391.4；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）04-0010-05

PCB defect Detection of Attention Mechanism and Dilated Residual Network

NIU Zhenzhen， CHEN Lirong， WANG Zhen， NIU Yali， LYU Xuyang

（College of Physics and Electronic Engineering， Shanxi University， Taiyuan? 030006， China）

Abstract： For printed circuit board defect detection technology， this paper proposes a lightweight CNN model YOLO_AD based on YOLOv5s for PCB defect detection. The model mainly embodies the lightweight Ghost module as the backbone feature extraction network， incorporates the attention mechanism， introduces the null residual network after generalized pooling and information weighted averaging of input assignment preferences， reduces the network model and convolution operations， and improves the network processing efficiency. Deployed into the embedded board， the MVC architecture is used with hardware optimization and software design to build a real-time online PCB target defect detection system. The experimental results show that the test recognition rate of various types of defects is 90.53% and the detection speed is 30 FPS.

Keywords： defect detection; lightweight network; attention mechanism; dilated residual network; embedded system

0? 引? 言

PCB線路板質(zhì)量的好壞決定了設(shè)備運(yùn)行的優(yōu)良程度。隨著線路板集成度越高越復(fù)雜，其制造、加工、運(yùn)輸?shù)冗^(guò)程極易出現(xiàn)缺陷。然而電路板缺陷會(huì)引起嚴(yán)重的不良后果。比如，醫(yī)療設(shè)備中的電路板故障可能會(huì)危及生命，智能手機(jī)或汽車(chē)電子的問(wèn)題會(huì)干擾用戶(hù)的活動(dòng)。因此對(duì)PCB板的質(zhì)量檢測(cè)需求日益增多?，F(xiàn)階段電路板缺陷檢測(cè)方法可分為人工目視主觀判定法和機(jī)器視覺(jué)檢測(cè)方法。人工檢測(cè)借助顯微鏡，放大鏡，由操作人員憑直觀視覺(jué)檢測(cè)電路板是否存在缺陷。機(jī)器視覺(jué)檢測(cè)[1]可以彌補(bǔ)人工檢測(cè)效率低、主觀性強(qiáng)的缺點(diǎn)，同時(shí)還具備檢測(cè)速度快、自動(dòng)化程度高的優(yōu)點(diǎn)。一般機(jī)器視覺(jué)檢測(cè)分為激光檢測(cè)和機(jī)器學(xué)習(xí)檢測(cè)兩大類(lèi)。Zhang等[2]采用激光脈沖熱成像技術(shù)進(jìn)行特征提取結(jié)合神經(jīng)網(wǎng)絡(luò)模型檢測(cè)偽焊料缺陷，并開(kāi)發(fā)了一套智能識(shí)別設(shè)備來(lái)檢測(cè)PCB上的偽焊點(diǎn)，其識(shí)別率達(dá)到了85%。Lopez-Escogido等[3]提出使用2-D高精度激光傳感器并用Java開(kāi)發(fā)圖形應(yīng)用程序用于PCB檢測(cè)和數(shù)據(jù)處理，提高了對(duì)缺陷的特征提取的靈敏度。Ardhy等[4]提出了一種基于梯度邊緣檢測(cè)的單板計(jì)算機(jī)低成本機(jī)器視覺(jué)，解決了PCB圖像的不均勻照明問(wèn)題，提高了邊緣和缺陷檢測(cè)精度。何國(guó)忠等[5]提出一種YOLOv4網(wǎng)絡(luò)將全局注意力機(jī)制和SPP模塊進(jìn)行特征提取，有效提高了目標(biāo)缺陷的識(shí)別功能，提高了PCB缺陷檢測(cè)的速度。以上方法對(duì)PCB缺陷檢測(cè)達(dá)到了一定的效果，然而上述方法網(wǎng)絡(luò)訓(xùn)練采用隨機(jī)梯度下降的方式區(qū)分缺陷程度的敏感性不夠理想，系統(tǒng)處理的圖像背景數(shù)據(jù)量冗余度較高，光學(xué)檢測(cè)系統(tǒng)需要手動(dòng)缺陷跟蹤位置和識(shí)別缺陷類(lèi)型存在一些局限，YOLOv4網(wǎng)絡(luò)特征提取較深，目標(biāo)邊緣缺陷特征提取能力隨之有待提升。

為了彌補(bǔ)嵌入式設(shè)備中網(wǎng)絡(luò)對(duì)目標(biāo)邊緣缺陷特征提取不敏感、缺陷手動(dòng)跟蹤定位和檢測(cè)速度慢的缺點(diǎn)。通過(guò)近年研究方法進(jìn)行比對(duì)及深度理解，基于YOLOv5s[6]算法設(shè)計(jì)了注意力機(jī)制與空洞殘差網(wǎng)絡(luò)的PCB圖像缺陷檢測(cè)。模型中采用了一個(gè)輕量型GhostNet的特征提取器融合注意力機(jī)制作為YOLO_AD的骨干網(wǎng)絡(luò)，滿足了模型的輕量化設(shè)計(jì)的同時(shí)增加了網(wǎng)絡(luò)的特征提取能力；再引入空洞殘差結(jié)構(gòu)模塊對(duì)PCB缺陷的特征提取，增大目標(biāo)缺陷的視覺(jué)感受域和減少電路板背景的噪聲干擾、提高了系統(tǒng)模型檢測(cè)速度。軟件方面使用QT5進(jìn)行上位機(jī)軟件MVC架構(gòu)嵌入式應(yīng)用結(jié)合YOLO_AD網(wǎng)絡(luò)部署到嵌入式開(kāi)發(fā)板中。此便攜式智能檢測(cè)應(yīng)用操作簡(jiǎn)單，便捷輕巧，同樣可實(shí)時(shí)高精度對(duì)PCB目標(biāo)缺陷檢測(cè)。

1? 算法原理

1.1? Ghost網(wǎng)絡(luò)結(jié)構(gòu)

Ghost是華為諾亞方舟實(shí)驗(yàn)室提出的一個(gè)輕量型神經(jīng)網(wǎng)絡(luò)模塊。Han[7]等學(xué)者將特征圖通過(guò)一系列線性運(yùn)算得到，與普通的卷積模塊相比，線性運(yùn)算在每個(gè)通道上的計(jì)算量遠(yuǎn)小于普通卷積模塊。在進(jìn)行卷積運(yùn)算時(shí)，Ghost module結(jié)構(gòu)圖如圖1所示，采用了一種線性運(yùn)算操作產(chǎn)生冗余的特征圖，減少了大量的卷積運(yùn)算。

首先，Ghost module采用標(biāo)準(zhǔn)化卷積產(chǎn)生m個(gè)內(nèi)在特征圖， 其中h′和w′是輸出數(shù)據(jù)的長(zhǎng)和寬。Y′用一個(gè)簡(jiǎn)單的線性變化產(chǎn)生幻影特征，其公式為：

（1）

是Y′中的第i個(gè)內(nèi)在特征圖，是第i個(gè)內(nèi)在特征圖的第j個(gè)線性運(yùn)算，最后一個(gè)? 是用來(lái)保存內(nèi)在特征圖的identity映射。通過(guò)線性運(yùn)算，產(chǎn)生了n=m×s個(gè)特征映射。所以將Ghost module應(yīng)用于YOLOv5s，可以顯著降低模型的參數(shù)量。

1.2? 注意力機(jī)制

Ghost網(wǎng)絡(luò)中的線性運(yùn)算會(huì)導(dǎo)致特征圖失去一些通道信息，為了加強(qiáng)特征圖的不同通道的相關(guān)性，在Ghost module中引入注意力機(jī)制[8]，可以分為三步：一是信息輸入；二是計(jì)算注意力分布α；三是根據(jù)注意力分布α來(lái)計(jì)算輸入信息的加權(quán)平均。如圖2所示，將不同通道的特征對(duì)分類(lèi)的貢獻(xiàn)進(jìn)行排序，提取貢獻(xiàn)大的通道特征進(jìn)一步加強(qiáng)。

第1步是信息輸入：用X=[x1，…， xN]表示N個(gè)輸入信息；第二步是注意力分布計(jì)算：令Key=Value=X，則可以給出注意力分布：

αi=softmax（s（keyi，q））=softmax（s（Xi，q）? ? ? ? ? ? （2）

將α稱(chēng)之為注意力分布（概率分布），s（X，q）為注意力打分機(jī)制，將上一步生成的特征圖進(jìn)行打分評(píng)估；第三步進(jìn)行信息加權(quán)平均：在上下文查詢(xún)q時(shí)，第i個(gè)信息受關(guān)注的程度，采用一種“激勵(lì)”的信息選擇機(jī)制實(shí)現(xiàn)了特征的重要性標(biāo)定。

1.3? 空洞殘差卷積

空洞卷積是指通過(guò)在卷積核的元素間插入空隙來(lái)增加感受野的方法。即大小為K×K的卷積核，在每?jī)蓚€(gè)元素中插入R-1個(gè)元素，空洞卷積的等效卷積核：

K′=K+（K-1）×（R-1）? ? ? ? ? ? ? ? ? ? ? ? （3）

輸出特征圖公式：

Out=（input-K′+2P）/S+1? ? ? ? ? ? ? ? ? ? ? （4）

其中：R為空洞卷積率，K為原始卷積核大小，P、S分別為填充和步長(zhǎng)。

如圖3所示，計(jì)算結(jié)果可知空洞卷積可以有效減少卷積層參數(shù)，縮減模型計(jì)算量。

在殘差網(wǎng)絡(luò)結(jié)構(gòu)中，以非線性f（x;）去逼近目函數(shù)h（x）時(shí)可將目標(biāo)函數(shù)分解為：

h（x）=x+h（x）-x? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

式中x稱(chēng)為恒等函數(shù)，h（x）-x稱(chēng)為殘差函數(shù)。在人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論當(dāng)中，假設(shè)激活函數(shù)足夠柔和的情況下，通用相似定理可以得出來(lái)非線性單元可以在理論上去逼近任意函數(shù)。因此：期望f（x）逼近殘差函數(shù)h（x）-x使得f（x）+x逼近目標(biāo)函數(shù)h（x）。

證明：可設(shè)一個(gè)通用的殘差塊表示方式：

（6）

xl+1=f（xl）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（7）

式中? 是以直接映射的方式。 為激活函數(shù)。由此可得殘差塊另一種表示方式：

（8）

依次類(lèi)推可得出神經(jīng)網(wǎng)絡(luò)[9]中更深的層L其與其他l? 層的關(guān)系表示方式：

（9）

式（9）反映了殘差網(wǎng)絡(luò)結(jié)構(gòu)所具有屬性：在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，L層網(wǎng)絡(luò)參數(shù)可以表示為任意一個(gè)比L層淺的i=l層加上它們之間的殘差部分之和。根據(jù)BP網(wǎng)絡(luò)中使用的導(dǎo)數(shù)的鏈?zhǔn)椒▌t，損失函數(shù)ε關(guān)于xl的梯度可以表示：

（10）

由式（10）可知在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，這表明網(wǎng)絡(luò)引入殘差網(wǎng)絡(luò)后不會(huì)出現(xiàn)梯度消失的問(wèn)題，神經(jīng)網(wǎng)絡(luò)中L層的梯度可以直接傳遞到任何一個(gè)比它淺的i層。

如圖4所示，可將空洞卷積替換殘差網(wǎng)絡(luò)中的普通卷積，同時(shí)設(shè)置空洞率為1，2，5避免提取圖片信息中的因距離間隔導(dǎo)致信息不相關(guān)性的問(wèn)題。在降采樣過(guò)程也減少了無(wú)關(guān)特征的參數(shù)計(jì)算，又?jǐn)U大了小物體檢測(cè)中的感受野，提高了網(wǎng)絡(luò)模型檢測(cè)速度。

1.4? YOLO_AD網(wǎng)絡(luò)結(jié)構(gòu)

為提高網(wǎng)絡(luò)對(duì)PCB電路板缺陷檢測(cè)的性能，對(duì)YOLOv5s網(wǎng)絡(luò)做出相應(yīng)改進(jìn)，其YOLO_AD網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，Input中輸入圖像的大小為640×640×3。Backbone中CBL由卷積，標(biāo)準(zhǔn)化和激活函數(shù)組成，可控制圖像的大小和通道數(shù)。GhostNet作為主干特征提取模塊，其中的線性運(yùn)算為深度可分離卷積，卷積核大小為5×5，再結(jié)合注意力機(jī)制模塊，學(xué)習(xí)不同通道的重要性，抑制無(wú)效通道信息。在SPP模塊中，使用最大池化的方式，再將不同尺度的特征圖進(jìn)行Concat操作。采用SPP模塊的方式，比單純地使用k×k最大池化的方式，更有效的增加主干特征的接收范圍，顯著的分離了最重要的上下文特征。

Neck中采用多尺度特征融合方法，經(jīng)過(guò)空洞殘差卷積（Dilated Conv）再上采樣特征融合，Dilated Conv控制通道數(shù)量以及圖像感受域。將Neck中的高層特征圖上采樣特征圖融合后能夠在同一分辨率的條件下獲取不同感受野的特征，經(jīng)過(guò)特征融合后傳遞到下一層，可以更加靈活地平衡計(jì)算量和模型能力。使得不同分辨率的特征得到了融合和分割圖恢復(fù)邊緣等信息更加精細(xì)。最終得到了80×80×64、40×40×32，兩個(gè)不同尺度的檢測(cè)層。

2? PCB嵌入式應(yīng)用

采用MVC（Model View Controller）架構(gòu)實(shí)現(xiàn)PCB嵌入式應(yīng)用。

如圖6所示，MVC架構(gòu)中Model（模型）包含YOLO_AD網(wǎng)絡(luò)可進(jìn)行相關(guān)PCB數(shù)據(jù)與數(shù)據(jù)函數(shù)模塊的業(yè)務(wù)邏輯判斷和數(shù)據(jù)存取，View（視圖）是用戶(hù)與機(jī)器交互的界面，Controller（控制器）控制用戶(hù)指令和數(shù)據(jù)傳遞給模型對(duì)象，可根據(jù)數(shù)據(jù)變化實(shí)時(shí)更新視圖。用戶(hù)界面與業(yè)務(wù)邏輯分離，基本設(shè)計(jì)原則是應(yīng)用功能模塊之間強(qiáng)內(nèi)聚，弱耦合。嵌入式應(yīng)用功能模塊將PCB缺陷檢測(cè)應(yīng)用涉及的業(yè)務(wù)邏輯和數(shù)據(jù)函數(shù)的處理寫(xiě)成每個(gè)模塊實(shí)現(xiàn)的某一個(gè)單一的功能，同時(shí)模塊內(nèi)部的子模塊只為整體的單一功能存在。

3? 實(shí)驗(yàn)訓(xùn)練與結(jié)果

以北京大學(xué)智能機(jī)器人開(kāi)放實(shí)驗(yàn)室的開(kāi)源PCB作為數(shù)據(jù)集[10]進(jìn)行網(wǎng)絡(luò)訓(xùn)練。數(shù)據(jù)集的每張圖片使用LabelImg軟件標(biāo)注為VOC格式，標(biāo)注的PCB缺陷主要有漏孔、缺口、斷路、短路、毛刺和余銅共6類(lèi)缺陷。包含1 386張標(biāo)注過(guò)的圖片，每張圖片的分辨率大小不同，送入網(wǎng)絡(luò)訓(xùn)練之前需要將圖片進(jìn)行分割處理，數(shù)據(jù)集擴(kuò)充到11 000張。按照8：1：1的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。

3.1? 網(wǎng)絡(luò)模型訓(xùn)練

本實(shí)驗(yàn)使用的GPU為NVIDIA Tesla K80，使用的深度學(xué)習(xí)框架為pytorch1.6。網(wǎng)絡(luò)訓(xùn)練時(shí)，設(shè)定Epoch為300，batch size為64，初始學(xué)習(xí)率為0.01，衰減系數(shù)為0.000 5。在訓(xùn)練過(guò)程中，可以通過(guò)繪制損耗曲線來(lái)直觀地觀察訓(xùn)練的動(dòng)態(tài)過(guò)程，損失越小代表預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的誤差就越小。本文提出的YOLO_AD模型與YOLOv5s模型在訓(xùn)練期間的相應(yīng)平均損失曲線如圖7所示。橫坐標(biāo)表示訓(xùn)練迭代的次數(shù)，縱坐標(biāo)表示訓(xùn)練期間的損失值。

3.2? 網(wǎng)絡(luò)模型評(píng)價(jià)指標(biāo)

數(shù)據(jù)集樣本被分為正負(fù)樣本，TP指的是正檢；TN指的是無(wú)真值；FP指的是錯(cuò)檢；FN指的是漏檢。準(zhǔn)確率Precision、目標(biāo)召回率Recall、幾何平均F1值、精確度均值A(chǔ)P和AP均值mAP分別表示為：

（11）

（12）

（13）

（14）

（15）

3.3? 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證上述模型的有效性，在顯卡Tesla K80電腦端進(jìn)行消融實(shí)驗(yàn)對(duì)比，構(gòu)建三種模型可分別命名為YOLOv5s_A、YOLOv5s_B、YOLOv5s_C。這三種模型分別在YOLOv5s基礎(chǔ)上增加了注意力機(jī)制和空洞殘差結(jié)構(gòu)；修改為主干網(wǎng)絡(luò)為Ghost和增加通道注意力機(jī)制；修改網(wǎng)絡(luò)為Ghost和增加空洞殘差結(jié)構(gòu)。YOLO_AD為本文所提模型，在YOLOv5s_A網(wǎng)絡(luò)的基礎(chǔ)上改變特征主干網(wǎng)絡(luò)為輕量型網(wǎng)絡(luò)。

如表1所示，可知YOLOv5s_A和YOLOv5s_B網(wǎng)絡(luò)對(duì)PCB缺陷檢測(cè)的mAP較原網(wǎng)絡(luò)分別增加了2.3%和1.6%?？沈?yàn)證注意力機(jī)制對(duì)網(wǎng)絡(luò)的有效性，對(duì)圖像特征的側(cè)重點(diǎn)不同，強(qiáng)調(diào)其主要特征，抑制無(wú)效特征信息。通過(guò)對(duì)信息加權(quán)平均得出重要特征圖，進(jìn)而進(jìn)行權(quán)重分配時(shí)能夠及時(shí)更新缺陷的主要特征的權(quán)重，給網(wǎng)絡(luò)的檢測(cè)性能得到了提升。YOLOv5s_A和YOLOv5s_B網(wǎng)絡(luò)同時(shí)也證明了空洞卷積殘差結(jié)構(gòu)對(duì)網(wǎng)絡(luò)的提升也有一定的效果，針對(duì)電路板邊緣處的特征信息擴(kuò)大了感受域，有利于豐富很可能被注意力機(jī)制拋棄的一部分特征信息。YOLOv5s_C和YOLO_AD網(wǎng)絡(luò)的mAP值比另外三個(gè)網(wǎng)絡(luò)都高，分析原因雖然Ghost輕量型的網(wǎng)絡(luò)會(huì)減少卷積核的運(yùn)算量，但是結(jié)合通道注意力機(jī)制可以有效解決特征圖深度可分離卷積時(shí)參數(shù)量減少的問(wèn)題。如表1和表2所示，還可知輕量型的網(wǎng)絡(luò)對(duì)電路缺陷檢測(cè)精度保持一定的穩(wěn)定性的前提下，減少了網(wǎng)絡(luò)參數(shù)和提高了檢測(cè)速度。尤其是網(wǎng)絡(luò)模型參數(shù)的減少為其他網(wǎng)絡(luò)的1/3～1/2。為將YOLO_AD網(wǎng)絡(luò)部署到嵌入式開(kāi)發(fā)板中奠定了理論基礎(chǔ)，空洞殘差卷積同時(shí)保證了網(wǎng)絡(luò)對(duì)圖像邊緣目標(biāo)特征提取的能力。

3.4? 模型遷移

如圖8（a）所示，YOLO_AD網(wǎng)絡(luò)模型采用MVC架構(gòu)遷移到（512核Volta GPU，64張量心，8核 Carmel ARM v8.2 64位 CPU處理器）嵌入式開(kāi)發(fā)板[26-27]中，PCB檢測(cè)嵌入式應(yīng)用登錄界面如圖8（b）所示，設(shè)置了檢測(cè)系統(tǒng)的賬號(hào)和密碼確保操作人員身份驗(yàn)證，同時(shí)也可記錄員工的使用情況。檢測(cè)效果如圖8（c）所示，PCB嵌入式應(yīng)用最左側(cè)的工具欄包含網(wǎng)絡(luò)訓(xùn)練、遠(yuǎn)程服務(wù)連接、網(wǎng)絡(luò)訓(xùn)練參數(shù)調(diào)整、圖片檢測(cè)和保存的功能，同時(shí)具有缺陷統(tǒng)計(jì)功能。其中對(duì)各類(lèi)缺陷的檢測(cè)效果的置信度均達(dá)到了0.83以上。經(jīng)過(guò)tensorRT加速得出不同模型檢測(cè)各類(lèi)缺陷的效果可實(shí)時(shí)幀達(dá)到30 FPS。如表3所示，將消融實(shí)驗(yàn)中五種網(wǎng)絡(luò)類(lèi)型分別部署到嵌入式中，進(jìn)行Onnx模型轉(zhuǎn)engine文件在相同數(shù)據(jù)庫(kù)下針對(duì)缺陷識(shí)別率YOLO_AD效果最好。

4? 結(jié)? 論

本文在YOLOv5s算法的基礎(chǔ)上使用輕量型網(wǎng)絡(luò)Ghost并添加通道注意力機(jī)制和空洞殘差卷積結(jié)構(gòu)。將Ghost網(wǎng)絡(luò)融合通道注意力機(jī)制進(jìn)行主干特征提取網(wǎng)絡(luò)，實(shí)現(xiàn)了網(wǎng)絡(luò)相較于原網(wǎng)絡(luò)的輕量化設(shè)計(jì)。結(jié)合空洞殘差卷積結(jié)構(gòu)解決注意力機(jī)制下造成的邊緣特征提取不足的問(wèn)題，豐富了PCB中邊緣目標(biāo)缺陷的特征提取能力。在電腦端進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試mAP性能指標(biāo)得出網(wǎng)絡(luò)的參數(shù)量小和檢測(cè)速度快的優(yōu)點(diǎn)。最后在嵌入式開(kāi)發(fā)板檢測(cè)結(jié)果得知YOLO_AD網(wǎng)絡(luò)有良好的魯棒性和準(zhǔn)確性，嵌入式設(shè)備檢測(cè)各類(lèi)缺陷的置信度均大于0.80，識(shí)別率為90.53%，檢測(cè)速度為30 FPS。此算法目前存在一定的局限性，可進(jìn)一步進(jìn)行嵌入式網(wǎng)絡(luò)的優(yōu)化和嵌入式應(yīng)用開(kāi)發(fā)的多樣化。

參考文獻(xiàn)：

[1] 王耀南，陳鐵健，賀振東，等.智能制造裝備視覺(jué)檢測(cè)控制方法綜述 [J].控制理論與應(yīng)用，2015，32（3）：273-286.

[2] ZHANG R S，GUO X W，HE M Y.Intelligent Pseudo Solder Detection in PCB Using Laser-Pulsed Thermography and Neural Network [J].IEEE Sensors Journal，2021，22（1）：631-638.

[3] LOPEZ-ESCOGIDO D，LUCA A D. 2-D High Precision Laser Sensor for Detecting Small Defects in PCBs [C]//2012 9th International Conference on Electrical Engineering，Computing Science and Automatic Control（CCE）.Mexico：IEEE，2012：1-6.

[4] ARDHY F，HARIADI F I. Development of SBC Based Machine-Vision System for PCB Board Assembly Automatic Optical Inspection [C]//2016 International Symposium on Electronics and Smart Devices（ISESD）.Bandung：IEEE，2016：386-393.

[5] 何國(guó)忠，梁宇.基于卷積神經(jīng)網(wǎng)絡(luò)的PCB缺陷檢測(cè) [J].圖學(xué)學(xué)報(bào)，2022，43（1）：21-27.

[6] WANG D D，HE D J. Channel Pruned YOLO V5s-Based Deep Learning Approach for Rapid and Accurate Apple Fruitlet Detection before Fruit Thinning [J].Biosystems Engineering，2021，210：271-281.

[7] HAN K，WANG Y H，TIAN Q，et al. GhostNet：More Features From Cheap Operations [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Seattle：IEEE，2020：1577-1586.

[8] NIU Z Y，ZHONG G Q，YU H. A Review on the Attention Mechanism of Deep Learning [J].Neurocomputing，2021，452：48-62.

[9] HE K M，ZHANG X Y Z，REN S Q，et al. Deep Residual Learning for Image Recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas：IEEE，2016：770-778.

[10] DING R W，DAI L H，LI G P，et al. TDD-Net：A Tiny Defect Detection Network for Printed Circuit Boards [J].CAAI Transactions on Intelligence Technology，2019，4（2）：110-116.

作者簡(jiǎn)介：牛振振（1995—），男，漢族，河南商丘人，碩士研究生在讀，研究方向：機(jī)器視覺(jué)；陳力榮（1988—），男，漢族，山西呂梁人，副教授，博士，研究方向：機(jī)器視覺(jué)、光量子器件；王震（1997—）男，漢族，山西長(zhǎng)治人，碩士研究生在讀，研究方向：光通信；牛雅麗（1999—），女，漢族，山西晉城人，碩士研究生在讀，研究方向：光通信；呂旭陽(yáng)（2000—），男，漢族，河北邯鄲人，碩士研究生在讀，研究方向：機(jī)器視覺(jué)。

收稿日期：2022-10-20

基金項(xiàng)目：國(guó)家自然科學(xué)基金（61805133）