关键词:
PCB表面缺陷检测
YOLOv7
Conv2Former
SimAM
Focal-CIoU
摘要:
针对检测印刷电路板(Printed circuit board, PCB)缺陷任务中,通用物体检测算法难以区分目标缺陷与背景,从而导致检测精度低等问题,提出一种改进YOLOv7的PCB表面缺陷检测模型。首先,在主干提取网络用Conv2Former(Transformer-style convolutional network)模块替代ELAN模块,保留空间信息的同时加强全局信息关联性,有效减少参数量。其次,删除20×20的大目标检测层,增加160×160的小目标检测层,以此保留更多小目标信息。此外,在特征融合网络引入SimAM(Similarity-based attention mechanism)注意力机制,不引入额外参数的同时提升检测精确度。最后,将Focal损失函数与CIoU损失函数结合,优化损失函数中高质量与低质量样本的权重分配,提升检测效果。实验结果表明,改进后的模型平均检测精度达到95.3%,相较于原模型精度提高了3.6%,参数量为10.97 MB,仅为原模型参数量的三分之一,改进后的模型能够更准确地识别PCB缺陷,有效降低漏检和误检率。