基于Cascade R-CNN改进的PCB瑕疵检测方法

摘要：

由于印刷电路板(PCB)的集成度、线路复杂性以及其产量的日益增加,针对PCB的瑕疵检测已成为关键的检测任务.传统检测方法存在误检率较大、检测速度较慢、能够检测出的瑕疵类型较少等问题,而常用的基于深度学习的目标检测模型计算量庞大,难以应用到工业场景中算力较弱的边缘设备.为了减少算法参数量和计算量,在Cascade R-CNN基础上改进网络结构,提出将ResNeSt作为主干网络,颈部网络采用路径聚合特征金字塔网络(PAFPN),增加对小目标PCB瑕疵的定位精度.将使用多尺度训练方法训练出的高性能改进Cascade R-CNN模型作为教师模型,再通过使用重点与全局知识蒸馏算法,将教师模型知识蒸馏在主干轻量化的MobileNetV3学生模型中,在提升模型精度的同时,缓解模型参数量和计算量过大的问题.在PCB Defect数据集上,改进模型相较原Cascade R-CNN模型,在IoU=0.5时,mAP提高了17.0%,推理速度提高3.5 FPS,参数量缩小了28.2%,计算量减少了27.3%.

关键词：瑕疵检测、深度学习、Cascade R-CNN、目标检测、PCB、知识蒸馏

所属期刊栏目：46

分类号：TN911.73-34;TP2

资助基金：海南省自然科学基金项目;海南热带海洋学院科研启动资助项目;国家级大学生创新创业训练计划项目

在线出版日期：2023-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：172-179