基于YOLOv5s 的PCB 板缺陷檢測與實踐教學(xué)評分系統(tǒng)的應(yīng)用設(shè)計與實現(xiàn)

摘要：PCB板缺陷檢測是實踐教學(xué)評分系統(tǒng)中的重要環(huán)節(jié)。為了減輕教師在PCB檢測與評分過程中的工作負擔(dān)，提高教學(xué)質(zhì)量和效率，文章對現(xiàn)有檢測模型進行了改進。針對YOLOv5s模型在PCB板缺陷檢測中存在的通道和空間信息提取不足問題，文章增加了CBAM注意力機制，并使用SlideLoss損失函數(shù)。改進后的模型相較原始模型，準(zhǔn)確率提升了7.17%，平均召回率提升了4.38%。文章利用全棧Web開發(fā)的技術(shù)組合進行用戶交互、數(shù)據(jù)存儲和管理，使用改進后的YOLOv5s模型進行缺陷自動檢測，實現(xiàn)了自動化評分。該系統(tǒng)減少了教師的重復(fù)性工作，提高了檢測的準(zhǔn)確性和效率，學(xué)生能夠獲得及時的反饋，使教師能夠更專注于教學(xué)和研究。

關(guān)鍵詞：YOLOv5s算法；CBAM注意力機制；教學(xué)應(yīng)用；SlideLoss損失函數(shù)

中圖分類號：TP391 文獻標(biāo)識碼：A

文章編號：1009-3044（2024）32-0129-07 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID） ：

0 引言

隨著電子信息技術(shù)的飛速發(fā)展，印刷電路板（Printed Circuit Board，PCB） 作為電子產(chǎn)品的關(guān)鍵組成部分，其質(zhì)量直接影響產(chǎn)品的可靠性與穩(wěn)定性。PCB 上的缺陷不僅會導(dǎo)致電子產(chǎn)品性能下降，甚至可能引發(fā)安全隱患。PCB缺陷檢測對于保障電子產(chǎn)品質(zhì)量至關(guān)重要。然而，傳統(tǒng)的人工檢測方法效率低下、容易出錯，無法滿足大規(guī)模生產(chǎn)的需求[1]。近年來，隨著集成電路和半導(dǎo)體技術(shù)的快速發(fā)展，PCB結(jié)構(gòu)愈加復(fù)雜、小巧和精致，對其缺陷檢測的要求也相應(yīng)提高[2]。

傳統(tǒng)的PCB缺陷檢測方法主要依賴于圖像處理技術(shù)和人工目視檢查。Ismail I等[3]提出了基于圖像加減法的集成圖像處理技術(shù)，Melnyk等[4]提出了基于Kmeans聚類的圖像比較方法，這些方法在一定程度上提高了檢測的精度和速度，但仍然存在著靈敏度和特異性平衡難、實際應(yīng)用受限等問題。此外，支持向量機（SVM） [5]和神經(jīng)網(wǎng)絡(luò)（NN） [6]等機器學(xué)習(xí)算法也被應(yīng)用于PCB缺陷檢測領(lǐng)域，進一步提升了檢測效果。然而，隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 等方法在圖像處理中的表現(xiàn)尤為突出，Ding等[7]提出的TDDnet和Hu等[8]提出的改進Faster R-CNN和FPN模型，展示了深度學(xué)習(xí)在提高檢測精度方面的顯著潛力。盡管如此，這些方法在實現(xiàn)高精度的同時，往往以犧牲檢測速度為代價。

在此背景下，開發(fā)高效的PCB板缺陷檢測系統(tǒng)具有重要的意義，尤其是在電子信息等專業(yè)教育中，PCB板焊接是學(xué)生必須掌握的一項核心技能。然而，在傳統(tǒng)的實訓(xùn)教學(xué)中，教師手動檢查學(xué)生的PCB板，不僅耗時且容易出錯。隨著學(xué)生數(shù)量的增加，教師的工作量隨之增加，影響了教學(xué)質(zhì)量。因此，開發(fā)一個高效、準(zhǔn)確的PCB板缺陷檢測系統(tǒng)對于減輕教師負擔(dān)、提高教學(xué)質(zhì)量具有重要意義。本文設(shè)計并實現(xiàn)了一種基于YOLOv5s的PCB板缺陷檢測系統(tǒng)，該系統(tǒng)通過集成CBAM注意力機制和SlideLoss損失函數(shù)，顯著提高了檢測的精確度和召回率。此外，系統(tǒng)具備自動化評分、實時反饋、數(shù)據(jù)驅(qū)動教學(xué)改進等功能，有效提高了教學(xué)效率和質(zhì)量。該系統(tǒng)不僅有助于提升實訓(xùn)教學(xué)質(zhì)量，還為我國電子信息產(chǎn)業(yè)的人才培養(yǎng)提供了支持，推動了行業(yè)的良性發(fā)展。

1 YOLOv5s 模型

YOLO（You Only Look Once） 是一種革命性的目標(biāo)檢測算法，以其卓越的檢測速度和準(zhǔn)確性在實時目標(biāo)檢測領(lǐng)域占據(jù)重要地位。YOLO的核心優(yōu)勢在于其全卷積網(wǎng)絡(luò)設(shè)計和端到端的處理流程，這使得它能夠一次性處理整個圖像，而無須依賴復(fù)雜的候選區(qū)域提取過程。YOLO的設(shè)計目標(biāo)是在單張圖像中快速、準(zhǔn)確地檢測并定位多個目標(biāo)物體。與傳統(tǒng)的基于候選區(qū)域（如R-CNN） 方法不同，YOLO通過將輸入圖像劃分為固定數(shù)量的網(wǎng)格，每個網(wǎng)格負責(zé)預(yù)測其內(nèi)部是否包含目標(biāo)物體。當(dāng)物體的中心位于某個網(wǎng)格時，該網(wǎng)格負責(zé)輸出該物體的類別和邊界框位置，從而實現(xiàn)高效的端到端檢測。這種方法將候選區(qū)域生成和目標(biāo)分類兩個任務(wù)合并在一個網(wǎng)絡(luò)中，大幅度提高了檢測速度。通過非極大值抑制（NMS） 處理，YOLO能夠同時預(yù)測多個邊界框及其類別概率，從而實現(xiàn)速度與精度的平衡。

YOLOv5s的模型架構(gòu)通過精心設(shè)計，實現(xiàn)了高效的目標(biāo)檢測能力。其結(jié)構(gòu)主要由三大部分構(gòu)成：骨干網(wǎng)絡(luò)（Backbone） 、頸部網(wǎng)絡(luò)（Neck） 和頭部網(wǎng)絡(luò)（Head） 。

首先，骨干網(wǎng)絡(luò)（Backbone） 是圖像特征提取的核心。圖1左側(cè)的藍色模塊代表Focus模塊，該模塊通過對輸入圖像的切片和拼接操作，將圖像的通道數(shù)從3個（RGB） 擴展為更多通道，從而有效壓縮數(shù)據(jù)量并提高計算效率。接下來，綠色的卷積層（Conv） 和黃色的C3模塊通過多次卷積操作進一步提取圖像的深層特征。其中，C3模塊采用了殘差連接（類似ResNet的結(jié)構(gòu)），使得網(wǎng)絡(luò)能夠捕捉更復(fù)雜和多樣化的特征。紅色的SPP模塊（空間金字塔池化）通過多尺度的池化操作，增加了對不同尺度目標(biāo)物體的檢測能力，使模型對物體的大小、位置和形狀具有更高的魯棒性。

接著，頸部網(wǎng)絡(luò)（Neck） 負責(zé)特征融合，圖1中紫色和黃色模塊分別表示上采樣層（Upsample） 和拼接層（Concat） 。上采樣層將低分辨率特征圖放大，并與來自骨干網(wǎng)絡(luò)的高分辨率特征圖拼接在一起，從而融合不同尺度的信息。這樣，模型在處理大目標(biāo)和小目標(biāo)時都能利用這些不同層次的特征進行更有效的檢測。通過這種自底向上和自頂向下的特征融合路徑，增強了模型對多尺度目標(biāo)的適應(yīng)性，進而提高了整體檢測性能。頸部網(wǎng)絡(luò)還采用了CSP2_X結(jié)構(gòu)（圖中未標(biāo)明）來進一步增強特征融合的能力。

最后，頭部網(wǎng)絡(luò)（Head） 負責(zé)最終的目標(biāo)檢測。圖1底部的三個Detect 模塊對應(yīng)三個不同的尺度輸出（小、中、大），分別對不同尺寸的目標(biāo)進行檢測。這種多尺度檢測機制確保了YOLOv5s在處理復(fù)雜場景時，能夠同時檢測到大物體和小物體。每個尺度的檢測模塊都通過卷積層提取特征，并根據(jù)特定大小的目標(biāo)調(diào)整輸出權(quán)重，以便在總損失函數(shù)中提供適當(dāng)?shù)呢暙I。

在YOLOv5s中，損失函數(shù)的設(shè)計對于算法的準(zhǔn)確性和魯棒性至關(guān)重要。損失函數(shù)主要由三部分組成，每部分都針對不同的預(yù)測任務(wù)進行優(yōu)化。

首先，邊界框回歸損失（Bounding Box RegressionLoss） 是評估預(yù)測邊界框與真實邊界框差異的關(guān)鍵指標(biāo)。YOLOv5s采用了CIOU損失（Complete Intersectionover Union Loss） ，這是一種先進的邊界框回歸損失計算方法。CIOU損失不僅考慮了預(yù)測框與真實框的交集面積，還綜合了框的中心點距離、寬高比以及重疊區(qū)域的形狀，從而更全面地評估邊界框的準(zhǔn)確性。其次，置信度損失（Confidence Loss） 用于評估模型對目標(biāo)存在的置信度預(yù)測。該部分損失通過二元交叉熵損失（Binary CrossEntropy Loss） 來實現(xiàn)，目的是確保模型能夠正確識別預(yù)測框中實際包含的物體。通過引入該損失，提高了模型在目標(biāo)存在性預(yù)測上的準(zhǔn)確性。最后，類別分類損失（Classification Loss） 負責(zé)評估預(yù)測類別與真實類別之間的差異，采用了多分類交叉熵損失（Multiclass CrossEntropy Loss） ，對每個目標(biāo)的類別預(yù)測進行評估，確保類別預(yù)測的準(zhǔn)確性和多樣性。在YOLOv5s中，這三種損失加權(quán)求和，構(gòu)成最終的總損失函數(shù)。具體公式如下所示：

Itotal = λbox ? Lbox + λobj ? Lobj + λcls ? Lcls （1）

總損失是三個主要部分的加權(quán)和：邊界框損失 Lbox、目標(biāo)置信度損失 Lobj 和類別分類損失Lcls。每個部分都有一個相應(yīng)的權(quán)重系數(shù) λ，用于平衡各個損失項的貢獻。

邊界框損失為 Lbox 公式如下：

Lbox = 1 - CIoU （b ） pred，btrue （2）

這部分使用CIOU（Complete Intersection over Union） 損失。公式中，bpred 是預(yù)測的邊界框，btrue 是真實的邊界框。CIOU不僅考慮了IoU（交并比），還考慮了中心點距離、寬高比和重疊區(qū)域的形狀。1減去CIOU值作為損失，使得CIOU值越高，損失越小。

目標(biāo)置信度損失為 Lobj公式如下：

S2 是特征圖的大?。僭O(shè)是正方形）；B 是每個網(wǎng)格單元預(yù)測的邊界框數(shù)量1objij 是一個指示函數(shù)，當(dāng)?shù)趇個網(wǎng)格的第j 個邊界框負責(zé)預(yù)測目標(biāo)時為1，否則為0；pc ij是真實的置信度得分；p?cij是預(yù)測的置信度得分。

類別分類損失為Lcls公式如下：

這是一個多類別交叉熵損失，用于評估類別預(yù)測的準(zhǔn)確性。符號含義與置信度損失相同 ；c 遍歷所有可能的類別；pc ij 是類別c的真實概率；p?cij 是類別c的預(yù)測概率。

2 YOLOv5s 算法改進

2.1 CBAM 模塊

CBAM模塊是一種輕量級的混合域注意力模塊，該模塊的作用是通過學(xué)習(xí)通道和空間特征之間的相互關(guān)系來提高網(wǎng)絡(luò)模型的性能[9]。在該模塊中同時集成了通道注意力模塊（Channel Attention Module，CAM） 和空間注意力模塊（Spatial Attention Module，SAM） 。

CBAM模塊的結(jié)構(gòu)如圖2所示，分為通道注意力模塊（CAM） 和空間注意力模塊（SAM） 兩部分。通道注意力模塊（Channel Attention Module，CAM） 通過全局最大池化（MaxPool） 和全局平均池化（AvgPool） ，分別從輸入特征中提取不同的全局特征。隨后，這兩個池化操作生成的特征通過一個共享的多層感知器（Shared MLP） 進行處理，輸出的特征相加并經(jīng)過Sig?moid激活函數(shù)生成通道注意力權(quán)重。最后，這些注意力權(quán)重與輸入特征逐元素相乘，生成加權(quán)后的通道特征（Channel-Refined feature F） 。這種方式有助于網(wǎng)絡(luò)關(guān)注圖像中特定通道的重要性，提升網(wǎng)絡(luò)性能?？臻g注意力模塊（Spatial Attention Module，SAM） 首先通過一個卷積層提取初步的空間特征。接下來，對這些特征進行通道維度的最大池化和平均池化，生成兩個不同的特征圖。然后，將這兩個特征圖沿通道維度拼接，再通過一個卷積層生成空間注意力圖。最終，這個空間注意力圖與輸入特征相乘，生成加權(quán)后的輸出特征圖。這一模塊幫助網(wǎng)絡(luò)更好地關(guān)注圖像中特定空間位置上的重要信息，從而進一步提升網(wǎng)絡(luò)的表現(xiàn)。CBAM模塊整體流程：首先，對輸入特征圖進行通道注意力操作，生成加權(quán)后的通道特征圖；然后，再對該特征圖進行空間注意力處理，以增強對重要空間位置的關(guān)注。通過這種方式，CBAM能夠在通道和空間兩個維度上優(yōu)化網(wǎng)絡(luò)的特征表達能力，從而提升檢測的精度。CBAM模塊的核心作用是通過分別在通道和空間維度進行注意力加權(quán)，提升網(wǎng)絡(luò)對關(guān)鍵信息的感知能力。這種雙重注意力機制能夠有效提高模型在目標(biāo)檢測任務(wù)中的表現(xiàn)，尤其在處理復(fù)雜場景時，CBAM能夠幫助網(wǎng)絡(luò)更準(zhǔn)確地識別和定位重要特征。

原始YOLOv5s模型雖然速度快，但在處理小目標(biāo)和復(fù)雜場景時，模型對細節(jié)的捕捉能力有限。引入CBAM模塊后，可以增強模型對關(guān)鍵信息的注意力，幫助其更好地區(qū)分目標(biāo)和背景，從而提升檢測精度。CBAM還能提高模型在有噪聲或光照變化等復(fù)雜條件下的表現(xiàn)，使網(wǎng)絡(luò)更具魯棒性。改進算法網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，在保持原始結(jié)構(gòu)的基礎(chǔ)上，引入了CBAM 模塊。在骨干網(wǎng)絡(luò)中將SPP后的C3替換為CBAM，在頸部網(wǎng)絡(luò)中的每個卷積層（Conv） 之后增加了CBAM模塊，使得特征圖在進行上采樣和拼接之前先經(jīng)過CBAM模塊的處理。通過在頸部網(wǎng)絡(luò)部分的卷積層后添加CBAM 模塊，提升了模型對重要特征的關(guān)注度。這種改進可以在不顯著增加計算量和檢測時間的情況下，增強模型對重要特征的關(guān)注度，提高檢測精度，尤其是在處理圖像模糊和小目標(biāo)檢測方面表現(xiàn)明顯。

2.2 SlideLoss 損失函數(shù)

SlideLoss損失函數(shù)是一種創(chuàng)新的損失函數(shù)，通過替換傳統(tǒng)損失函數(shù)可以提高目標(biāo)檢測模型的性能[10]。SlideLoss損失函數(shù)相比傳統(tǒng)損失函數(shù)，在多個方面展現(xiàn)了顯著優(yōu)勢。其自適應(yīng)權(quán)重機制能夠動態(tài)調(diào)整難以檢測目標(biāo)的權(quán)重，提升對模糊和邊界不清晰目標(biāo)的處理能力，尤其在復(fù)雜場景中表現(xiàn)出色。通過引入平滑機制，SlideLoss在處理接近邊界的目標(biāo)時減少了過擬合風(fēng)險，增強了模型的穩(wěn)定性。該損失函數(shù)能夠根據(jù)樣本難度自適應(yīng)調(diào)整損失值，使模型更加關(guān)注難樣本，從而提升整體檢測性能，尤其是在小目標(biāo)檢測中顯著提升了精度并減少了漏檢。此外，SlideLoss在光線變化和圖像模糊等不利條件下表現(xiàn)出較強的魯棒性，有效提高了模型的穩(wěn)定性和可靠性。

SlideLoss是將基礎(chǔ)損失和平滑損失結(jié)合，并通過自適應(yīng)權(quán)重機制調(diào)整樣本的貢獻，其公式為：

α 和β 分別是基礎(chǔ)損失和平滑損失的權(quán)重參數(shù)，用于平衡兩者的影響。wi = 1／1 + e-γ（gi - τ） 是樣本i 的自適應(yīng)權(quán)重，使得難檢測樣本在總損失中的貢獻更大。1／1 + e-γ（gi - τ） 是一個Sigmoid函數(shù)，用于將樣本的難度估計值gi 映射到權(quán)重wi。gi 是樣本的難度估計值，可以基于IoU或損失值來確定。γ 控制權(quán)重的變化速率，調(diào)整γ 可以改變權(quán)重分布的陡峭程度。τ 是難度閾值，樣本難度超過閾值時，權(quán)重迅速增加。SlideLoss 通過綜合考慮分類、定位和穩(wěn)定性，并對難樣本給予更多關(guān)注，有效提升了模型在各種檢測任務(wù)中的整體性能。將實現(xiàn)提高檢測精度，特別是在檢測小目標(biāo)缺陷時，SlideLoss能夠顯著提升模型的精度；減少漏檢測，通過自適應(yīng)機制，提高對難以檢測目標(biāo)的關(guān)注度，減少漏檢測的情況，增強魯棒性，在光線不穩(wěn)定和圖像模糊的情況下，SlideLoss能夠提升模型的穩(wěn)定性和魯棒性。

3 實驗準(zhǔn)備

3.1 數(shù)據(jù)集構(gòu)建

本文使用的數(shù)據(jù)集基于北京大學(xué)智能機器人開放實驗室公開發(fā)布的印刷電路板缺陷數(shù)據(jù)集，包含693張圖像，涵蓋6種不同類型的缺陷，分別是漏孔（Missing_hole） 、鼠咬（mouse_bite） 、開路（open_circuit） 、短路（short） 、余銅（spurious_copper） 和毛刺（spur） 。

為了增強模型的泛化能力和魯棒性，本文引入了運動模糊等圖像增強技術(shù)，對每張圖像進行處理，使數(shù)據(jù)集的規(guī)模從原始的693張擴展到1386張。通過對圖像進行增強處理，不僅增加了數(shù)據(jù)的多樣性，還能夠使模型更好地適應(yīng)實際應(yīng)用中可能遇到的多種變化情況，如光照條件的變化、拍攝角度的不同以及目標(biāo)位置的偏移。這種圖像增強技術(shù)通過擴展訓(xùn)練數(shù)據(jù)的規(guī)模，有效提高了模型在不同環(huán)境下的檢測魯棒性和準(zhǔn)確性，從而確保系統(tǒng)在實際應(yīng)用中的穩(wěn)定性和可靠性。

3.2 實驗環(huán)境

本文實驗均在Windows平臺下運行，使用Python 語言，調(diào)用PyTorch庫進行網(wǎng)絡(luò)搭建、調(diào)試、訓(xùn)練與測試。實驗在一臺配備Intel Core i7-11800H處理器和NVIDIA GeForce RTX 3060（130W，6GB） 顯卡的電腦上進行。

3.3 模型評估

為了評估模型的性能，本文使用目標(biāo)檢測領(lǐng)域常用的評價指標(biāo)：準(zhǔn)確率（Precision） 、召回率（Recall） 、F1 值（F1 Score） 和平均精度（mAP） 。具體公式如下所示：

準(zhǔn)確率（Precision） ：定義為正確檢測到的目標(biāo)數(shù)量與實際檢測到的目標(biāo)數(shù)量之比，公式為：

Precision = TP／TP + FP （6）

式中：TP（True Positive） 是正確檢測的正樣本數(shù)，F(xiàn)P（False Positive） 是誤檢測的樣本數(shù)。

召回率（Recall） ：定義為正確檢測到的目標(biāo)數(shù)量與真實目標(biāo)數(shù)量之比，公式為：

Recall = TP／TP + FN （7）

式中：FN（False Negative） 是漏檢測的樣本數(shù)。

F1值（F1 Score） ：F1值是準(zhǔn)確率和召回率的調(diào)和平均數(shù)，綜合了兩者的優(yōu)缺點，公式為：

F1 = 2 ? Precision Recall／Precision + Recall （8）

平均召回率（mAP） 是目標(biāo)檢測評估中最常用的指標(biāo)，用于計算所有類別的平均精度。對每個類別計算平均精度AP（Average Precision） ，AP是召回率從0到1 的情況下，精度的平均值。計算AP采用11點插值法，通過在固定的11個召回率點上計算精度的最大值，然后取這些值的平均值來估算Precision-Recall曲線下的面積，從而得到AP。計算AP的公式為：

這種方法簡化了計算，同時提供了對模型性能的合理估計。mAP是所有類別的AP的平均值。故此推導(dǎo)出mAP 的公式為：

4 實驗結(jié)果分析

4.1 模型對比

表1展示了六種不同目標(biāo)檢測方法的對比數(shù)據(jù)，包括Faster RCNN、YOLOv5s、YOLOv5m、YOLOv51、YOLOv5x 以及改進后的YOLOv5s+CBAM+SlideLoss。每種方法在精度（Precision） 、召回率（Recall） 、平均精度（mAP） 和每秒幀數(shù)（FPS） 四個指標(biāo)上的表現(xiàn)如下：

Faster R-CNN采用了兩階段檢測架構(gòu)，先生成候選區(qū)域再分類定位，因此召回率高（98.0%） ，但由于計算復(fù)雜度大，推理速度慢（FPS為17.1） ，不適合對實時性要求較高的應(yīng)用。其精度（94.3%） 和mAP（96.7%） 略低，這表明盡管在召回率方面表現(xiàn)出色，但在精度上有所欠缺。YOLO系列模型采用單階段檢測架構(gòu)，在一次前向傳播中完成檢測和分類，極大提升了速度。YOLOv5s 由于模型較小，推理速度最快（FPS 為36.9） ，適合對實時性要求高的應(yīng)用場景，但其特征提取能力較弱，因此精度（96.6%） 和mAP（97.4%） 略低于更復(fù)雜的YOLOv5l 和YOLOv5x。YOLOv5m 在精度（96.3%） 、召回率（96.3%） 和mAP（97.5%） 上表現(xiàn)均衡，速度適中（FPS為28.3） ，適合對精度和速度均有要求的場景。YOLOv5l通過增加模型深度和寬度提升了特征提取能力，精度（96.9%） 和mAP（98.1%） 較高，但推理速度（FPS為22.4） 較慢，適合對檢測精度要求高的場景。YOLOv5x 的精度（96.4%） 和召回率（97.3%） 表現(xiàn)出色，mAP達到98.1%，但推理速度最慢（FPS為16.1） ，雖然適合處理復(fù)雜背景和小目標(biāo)，但不適合實時檢測任務(wù)。改進后的YOLOv5s+CBAM+SlideLoss引入了CBAM注意力機制和SlideLoss損失函數(shù)，提升了模型對關(guān)鍵區(qū)域的關(guān)注，顯著提高了精度（97.5%） 、召回率（97.1%） 和mAP（98.5%） ，尤其在處理圖像模糊和小目標(biāo)檢測時表現(xiàn)突出。雖然FPS為31.9，不及YO?LOv5s，但在需要高精度檢測的場景中表現(xiàn)最佳?？傮w來看，YOLOv5s+CBAM+SlideLoss在精度、召回率和mAP方面均優(yōu)于其他模型，特別適用于需要高檢測精度和處理復(fù)雜圖像場景的應(yīng)用。YOLOv5s由于其最高的FPS，適合對實時性要求較高的應(yīng)用場景，而Faster R-CNN和YOLOv5x雖然在某些指標(biāo)上表現(xiàn)較好，但綜合性能和實時性不如YOLOv5系列。綜上所述，YOLOv5s+CBAM+SlideLoss 提供了最佳的檢測性能，是高精度和復(fù)雜環(huán)境下目標(biāo)檢測的理想選擇。

4.2 消融實驗

為了評估改進后的YOLOv5s模型在教學(xué)端PCB 檢測中的效果，本文進行了四次消融實驗。這些實驗使用經(jīng)過運動圖像模糊處理的數(shù)據(jù)集，以突出不同模型在處理模糊圖像和小目標(biāo)檢測中的性能差異。具體實驗數(shù)據(jù)如表2所示。

根據(jù)實驗結(jié)果，YOLOv5s原始模型在目標(biāo)檢測任務(wù)中的準(zhǔn)確率為0.895 5，顯示其在目標(biāo)檢測分類任務(wù)中具備較高的精確性。然而，盡管F1值達到0.914 3，表明模型在正負樣本不均衡的情況下綜合性能較好，但在召回率和準(zhǔn)確率之間的平衡仍有改進空間。與原始模型相比，加入CBAM 模塊的YOLOv5s（YO?LOv5s+CBAM） 模型的準(zhǔn)確率提升至0.934 9，F(xiàn)1值顯著提升至0.940 9，表明CBAM增強了模型在正負樣本不均衡問題上的綜合表現(xiàn)，尤其是在對重要特征的關(guān)注上提高了模型的整體檢測效果。當(dāng)將損失函數(shù)替換為SlideLoss 后，YOLOv5s 模型的準(zhǔn)確率提升至0.906 6，F(xiàn)1 值上升至0.928 0，mAP 顯著提升至0.964 9。這表明SlideLoss通過平滑和自適應(yīng)機制改善了模型在處理小目標(biāo)和模糊圖像方面的性能，減少了漏檢的情況。SlideLoss在處理更復(fù)雜的樣本分布和難度不同的目標(biāo)檢測時表現(xiàn)出更高的魯棒性和精度。結(jié)合CBAM 模塊和SlideLoss 損失函數(shù)的YO?LOv5s改進模型表現(xiàn)最佳，準(zhǔn)確率達到0.964 7，召回率為0.972，F(xiàn)1值為0.968 3，mAP提升至0.981 7。這說明該改進模型在所有評估指標(biāo)上表現(xiàn)出色，尤其在處理模糊圖像和小目標(biāo)檢測任務(wù)時展現(xiàn)了卓越的能力。這些結(jié)果進一步證明CBAM和SlideLoss的結(jié)合在提高模型檢測性能方面具有顯著的效果和魯棒性。

5 系統(tǒng)設(shè)計

5.1 系統(tǒng)架構(gòu)

系統(tǒng)采用Django 框架的MVC（Model-View-Controller） 模式，前端負責(zé)頁面展示和用戶交互，后端負責(zé)業(yè)務(wù)邏輯和數(shù)據(jù)處理，模型層負責(zé)數(shù)據(jù)存儲和管理。同時，利用改進后的YOLOv5s深度學(xué)習(xí)模型，實現(xiàn)PCB板缺陷的自動檢測。數(shù)據(jù)庫設(shè)計方面，結(jié)合Django的ORM特性，定義了多個模型來存儲用戶、圖片和檢測結(jié)果等信息。整個系統(tǒng)采用模塊化設(shè)計，具有良好的可擴展性和可維護性。

基于YOLOv5s的自動化PCB檢測系統(tǒng)的設(shè)計包括前端、后端和算法模型三個主要部分。前端主要負責(zé)用戶界面的設(shè)計與實現(xiàn)，后端負責(zé)數(shù)據(jù)的存儲和處理，算法模型負責(zé)PCB板的缺陷檢測。

1） 前端設(shè)計：系統(tǒng)使用了HTML、CSS和JavaScript 來構(gòu)建用戶界面，采用了Bootstrap等CSS框架，確保頁面在不同設(shè)備和瀏覽器上的兼容性。使用Django 的模板引擎，將后端數(shù)據(jù)渲染到HTML頁面中，模板中使用變量、循環(huán)和條件語句，動態(tài)生成內(nèi)容。JavaS?cript用于實現(xiàn)動態(tài)交互效果，如表單驗證、異步請求等，增強用戶體驗。

2） 后端設(shè)計：后端主要負責(zé)用戶信息、圖片信息和檢測結(jié)果的存儲與管理。后端接收到前端上傳的圖片后，會調(diào)用算法模型進行檢測，并將檢測結(jié)果存儲在數(shù)據(jù)庫中。后端采用Django框架進行開發(fā)，使用Django的ORM（對象關(guān)系映射）進行數(shù)據(jù)庫操作。后端主要負責(zé)接收前端上傳的圖片，調(diào)用算法模型進行檢測，并將檢測結(jié)果存儲在數(shù)據(jù)庫中。數(shù)據(jù)庫使用MySQL進行存儲，確保數(shù)據(jù)的可靠性和穩(wěn)定性。

5.2 功能模塊

在用戶管理模塊中，系統(tǒng)使用了Django的內(nèi)置用戶認證系統(tǒng)來管理用戶注冊和登錄。為了確保密碼的安全性，采用了Django 默認的密碼加密機制（bcrypt） 對用戶密碼進行加密存儲，并在用戶登錄時驗證密碼。數(shù)據(jù)庫方面，使用了Django自帶的User模型，包含用戶名、密碼、電子郵件等基本信息。同時，定義了一個自定義的Person模型，與User模型通過外鍵關(guān)聯(lián)，用于存儲用戶的角色信息（教師或?qū)W生）。用戶注冊時，前端表單收集用戶名、密碼、確認密碼和角色信息，后端接收數(shù)據(jù)后，驗證密碼是否一致，并檢查用戶名是否已存在。如果驗證通過，使用Django的User模型創(chuàng)建新用戶，并在Person模型中保存角色信息。登錄時，系統(tǒng)驗證用戶名和角色是否匹配，使用Django的認證系統(tǒng)驗證密碼，成功登錄后，根據(jù)用戶角色重定向到相應(yīng)的頁面。為實現(xiàn)權(quán)限控制，系統(tǒng)使用自定義的裝飾器role_required，根據(jù)用戶角色限制訪問特定視圖函數(shù)，未授權(quán)的用戶訪問受限頁面時，會被重定向或提示無權(quán)限訪問。

在圖片上傳模塊中，系統(tǒng)使用Django處理文件的上傳和存儲，利用os庫進行文件路徑和目錄的管理。學(xué)生和教師用戶都可以上傳圖片，教師可以創(chuàng)建和管理文件夾，以組織上傳的PCB板圖片和檢測結(jié)果。上傳的圖片信息存儲在自定義的ImageUpload模型中，包括圖片路徑、文件名、上傳用戶等信息。為確保時間記錄的準(zhǔn)確性，使用pytz庫來處理時區(qū)信息。教師用戶可以通過前端創(chuàng)建新的文件夾或使用已有的文件夾組織圖片，支持本地上傳和服務(wù)器上傳兩種方式。上傳的圖片保存在MEDIA_ROOT/images/教師用戶名/文件夾名稱的目錄結(jié)構(gòu)中，并在ImageUpload表中記錄圖片信息，便于后續(xù)的管理和查詢。學(xué)生用戶需輸入教師的用戶名，并從下拉菜單中選擇要上傳的文件夾，上傳的圖片將被保存到對應(yīng)教師的文件夾下，同樣在ImageUpload 表中記錄上傳的圖片信息。文件夾管理功能允許教師用戶在前端創(chuàng)建、刪除文件夾，以便組織和管理圖片，后端使用OS庫進行目錄的創(chuàng)建和刪除操作，并提供接口獲取教師已有的文件夾列表，供學(xué)生在上傳圖片時選擇。

缺陷檢測模塊是系統(tǒng)的核心功能，利用PyTorch 深度學(xué)習(xí)框架和改進后的YOLOv5s目標(biāo)檢測模型。模型文件存放在服務(wù)器指定路徑中。系統(tǒng)獲取待檢測圖片的文件路徑列表，遍歷每張圖片，使用模型進行檢測，提取檢測結(jié)果并統(tǒng)計每種缺陷的數(shù)量。缺陷類別包括缺孔、鼠咬、開路、短路、毛刺和雜銅。根據(jù)用戶在評分設(shè)置頁面輸入的總分和焊點總數(shù)，計算每個缺陷的扣分權(quán)重，計算每張圖片的總評分，并將檢測結(jié)果和評分保存到自定義的數(shù)據(jù)庫中。

在歷史記錄模塊中，系統(tǒng)利用Django處理數(shù)據(jù)查詢、分頁和模板渲染。系統(tǒng)查詢當(dāng)前用戶的所有圖片上傳記錄，按照上傳時間降序排序。對每個上傳記錄，匯總對應(yīng)的檢測結(jié)果，包括總檢測圖片數(shù)、每種缺陷的總數(shù)和平均評分。使用Django的Paginator對歷史記錄進行分頁，每頁顯示固定數(shù)量的記錄。在前端頁面中提供分頁導(dǎo)航，方便用戶瀏覽不同頁的數(shù)據(jù)。用戶可以點擊某個歷史記錄，查看對應(yīng)的詳細檢測結(jié)果，詳細頁面顯示每張圖片的缺陷統(tǒng)計和評分。

在結(jié)果查看和導(dǎo)出功能中，系統(tǒng)使用pandas庫處理數(shù)據(jù)并生成Excel文件。檢測完成后，系統(tǒng)查詢最新的檢測結(jié)果，并在前端頁面中以表格形式展示每張圖片的檢測結(jié)果，包括缺陷數(shù)量和評分。用戶可以點擊導(dǎo)出Excel按鈕，后端使用pandas將檢測結(jié)果轉(zhuǎn)換為DataFrame，導(dǎo)出為Excel文件并供用戶下載。評分設(shè)置模塊中，用戶可以輸入焊點總數(shù)和總分，提交表單后，后端接收數(shù)據(jù)，計算每個缺陷的扣分權(quán)重，并存儲在會話中。在后續(xù)的檢測過程中，系統(tǒng)會讀取會話中的參數(shù)進行評分計算。會話管理使用Django的request.session，確保用戶的評分設(shè)置在整個檢測流程中保持一致。文件夾管理模塊中，教師用戶可以在前端創(chuàng)建和刪除文件夾，以組織和管理圖片。系統(tǒng)使用os庫在指定路徑創(chuàng)建或刪除目錄，并提供接口獲取教師已有的文件夾列表，供學(xué)生在上傳圖片時選擇。在創(chuàng)建文件夾時，系統(tǒng)會檢查文件夾是否已存在，避免重復(fù)創(chuàng)建。刪除文件夾時，系統(tǒng)會驗證文件夾是否存在，刪除操作須謹(jǐn)慎，避免誤刪重要數(shù)據(jù)。

學(xué)生圖片上傳模塊需要學(xué)生輸入教師的用戶名，并從下拉菜單中選擇要上傳的文件夾。后端驗證教師用戶是否存在，獲取對應(yīng)教師的文件夾列表，供學(xué)生選擇上傳。上傳的圖片將保存到對應(yīng)教師的文件夾下，并在數(shù)據(jù)庫中記錄圖片的上傳信息，方便教師查看和管理。

為實現(xiàn)權(quán)限控制和裝飾器，系統(tǒng)使用了Django提供的認證和權(quán)限控制基礎(chǔ)設(shè)施，并使用functools.wraps 自定義了裝飾器role_required。該裝飾器用于限制視圖函數(shù)的訪問權(quán)限，確保只有特定角色的用戶才能訪問。不符合條件的用戶將被重定向或提示無權(quán)限訪問。在需要限制訪問的視圖函數(shù)上，添加@role_re?quired（teacher）或@role_required（student）即可實現(xiàn)角色權(quán)限控制。

5.3 功能演示

1） 評分設(shè)置：評分設(shè)置頁面允許用戶為每個焊點分配分?jǐn)?shù)，該分?jǐn)?shù)基于焊點總數(shù)與設(shè)定總分的比例，即每個焊點分?jǐn)?shù)為總分除以焊點總數(shù)。此頁面同時作為歷史記錄查看和文件管理的中心樞紐，用戶登錄后默認進入此頁面。

2） 文件夾管理和圖片上傳：用戶可以通過文件管理功能對文件進行創(chuàng)建、刪除、修改和查詢操作。例如，在創(chuàng)建文件夾時，用戶需在輸入框中輸入文件夾名稱（如“test”） ，點擊創(chuàng)建按鈕后，新文件夾將顯示在文件列表中，如圖6所示。若需刪除文件夾，可在文件列表中選擇“test”文件夾旁的刪除按鈕進行操作，如圖7所示。

通過下拉框選擇圖片上傳方式（本地上傳或服務(wù)器上傳）即單擊上傳按鈕即可完成圖片上傳。

3） 檢測結(jié)果處理和展示：請依次完成評分設(shè)置和圖片上傳，當(dāng)上傳完成后，等待幾秒，即可跳轉(zhuǎn)到結(jié)果界面如圖9所示，單擊圖9所標(biāo)注出的導(dǎo)出Excel按鈕，即可導(dǎo)出表格。

4） 歷史記錄查看：請通過分?jǐn)?shù)設(shè)置頁面的查看歷史記錄按鈕進入界面，此界面可以查看以往檢測數(shù)據(jù)，如圖10查看歷史記錄所示，若想查看詳情界面可以通過“查看詳情”按鈕查看對應(yīng)的詳細界面。

5） 學(xué)生圖片上傳：學(xué)生界面可通過輸入教師的用戶名，并通過下拉菜單完成文件夾選擇，再通過選擇文件夾完成圖片上傳，上傳成功后會有3秒鐘的圖片上傳成功提示。

6 結(jié)論

本文設(shè)計并實現(xiàn)了一種基于改進YOLOv5s模型的PCB板缺陷檢測系統(tǒng)。針對原始YOLOv5s模型在PCB缺陷檢測中通道和空間信息提取不足的問題，本文引入了CBAM注意力機制，增強了模型對重要特征的關(guān)注度，提高了特征提取的有效性。同時，采用SlideLoss損失函數(shù)，增強了模型對難以檢測樣本的識別能力，減少了漏檢現(xiàn)象。實驗結(jié)果表明，改進后的模型在準(zhǔn)確率上提升了7.17%，平均召回率提升了4.38%，在處理圖像模糊和小目標(biāo)檢測方面表現(xiàn)尤為突出。本文研究的創(chuàng)新點在于將改進的YOLOv5s模型成功應(yīng)用于教學(xué)實踐，提供了高效、準(zhǔn)確的PCB缺陷檢測解決方案，具有實際應(yīng)用價值和推廣潛力。未來的研究工作將致力于進一步提升模型的檢測精度和速度，如優(yōu)化模型結(jié)構(gòu)、探索更深層次的特征提取方法、引入更先進的損失函數(shù)和注意力機制，進一步提高模型的性能。此外，計劃將該系統(tǒng)擴展應(yīng)用到其他類型的缺陷檢測任務(wù)中，如焊點檢測、電子元器件檢測等，為更多領(lǐng)域的教學(xué)和工業(yè)檢測提供支持，推動智能檢測技術(shù)的發(fā)展與應(yīng)用。

參考文獻：

[1] 于心怡.基于深度學(xué)習(xí)的印刷電路板表面圖像增強與缺陷識別研究[D].長沙：中南大學(xué)，2023.

[2] 徐一奇，肖金球，汪俞成，等.基于機器視覺的PCB表面缺陷檢測研究綜述[J/OL].微電子學(xué)與計算機，1-15[2024-08-03].https：//kns. cnki. net/kcms2/article/abstract？ v=3uoqIhG8C44YLTlOAiTRKibYlV5Vjs7ioT0BO4yQ4m_mOgeS2ml3UHH4bN4tKXwL-YoSKs8wQHHEXlUk-D-Dq9bTB6kj6bJi&uni ?platform=NZKPT

[3] IBRAHIM I，IBRAHIM Z，ABIDIN M，et al.An algorithm for clas?sification of five types of defects on bare printed circuit board[J].Interm ational Journal of Computational I，2008，13（1）：57-64.

[4] MELNYK R A，TUSHNYTSKYY R B.Detection of defects in printed circuit boards by clustering the etalon and defected samples[C]//2020 IEEE 15th International Conference on Ad?vanced Trends in Radioelectronics， Telecommunications and Computer Engineering （TCSET）. February 25-29， 2020， Lviv-Slavske，Ukraine.IEEE，2020：961-964.

[5] YUN T S，SIM K J，KIM H J.Support vector machine-based in?spection of solder joints using circular illumination[J].Electron?ics Letters，2000，36（11）：949.

[6] WU H，ZHANG X M，XIE H W，et al.Classification of solder joint using feature selection based on Bayes and support vector machine[J].IEEE Transactions on Components，Packaging and Manufacturing Technology，2013，3（3）：516-522.

[7] DING R W，DAI L H，LI G P，et al.TDD-net：a tiny defect detec?tion network for printed circuit boards[J].CAAI Transactions on Intelligence Technology，2019，4（2）：110-116.

[8] HU B，WANG J H.Detection of PCB surface defects with im?proved faster-RCNN and feature pyramid network[J].IEEE Ac?cess，2020，8：108335-108345.

[9] WOO S，PARK J，LEE J Y，et al.CBAM：convolutional block at?tention module[M]//Lecture Notes in Computer Science.Cham：Springer International Publishing，2018：3-19.

[10] YU Z P，HUANG H B，CHEN W J，et al.YOLO-FaceV2：a scale and occlusion aware face detector[J]. Pattern Recognition，2024，155：110714.

[11] REN S，HE K，GIRSHICK R，et al.Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks [J].IEEE Transactions on Pattern Analysis and Machine Intel?ligence，2015，39（6）：1137-1149.

[12] SHEN M H，LIU Y J，CHEN J，et al.Defect detection of printed circuit board assembly based on YOLOv5[J]. Scientific Re?ports，2024，14（1）：19287-19287.

【通聯(lián)編輯：謝媛媛】

基金項目：新疆農(nóng)業(yè)大學(xué)大學(xué)生創(chuàng)新項目：電子技術(shù)基本技能實訓(xùn)評分系統(tǒng)（項目編號：dxscx2024355）