基于YOLOv5s 的PCB 板缺陷檢測(cè)與實(shí)踐教學(xué)評(píng)分系統(tǒng)的應(yīng)用設(shè)計(jì)與實(shí)現(xiàn)

摘要：PCB板缺陷檢測(cè)是實(shí)踐教學(xué)評(píng)分系統(tǒng)中的重要環(huán)節(jié)。為了減輕教師在PCB檢測(cè)與評(píng)分過(guò)程中的工作負(fù)擔(dān)，提高教學(xué)質(zhì)量和效率，文章對(duì)現(xiàn)有檢測(cè)模型進(jìn)行了改進(jìn)。針對(duì)YOLOv5s模型在PCB板缺陷檢測(cè)中存在的通道和空間信息提取不足問(wèn)題，文章增加了CBAM注意力機(jī)制，并使用SlideLoss損失函數(shù)。改進(jìn)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(kāi)發(fā)的技術(shù)組合進(jìn)行用戶交互、數(shù)據(jù)存儲(chǔ)和管理，使用改進(jìn)后的YOLOv5s模型進(jìn)行缺陷自動(dòng)檢測(cè)，實(shí)現(xiàn)了自動(dòng)化評(píng)分。該系統(tǒng)減少了教師的重復(fù)性工作，提高了檢測(cè)的準(zhǔn)確性和效率，學(xué)生能夠獲得及時(shí)的反饋，使教師能夠更專(zhuān)注于教學(xué)和研究。

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

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）32-0129-07 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)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(huì)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(cè)對(duì)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(cè)方法效率低下、容易出錯(cuò)，無(wú)法滿足大規(guī)模生產(chǎn)的需求[1]。近年來(lái)，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(duì)其缺陷檢測(cè)的要求也相應(yīng)提高[2]。

傳統(tǒng)的PCB缺陷檢測(cè)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(lèi)的圖像比較方法，這些方法在一定程度上提高了檢測(cè)的精度和速度，但仍然存在著靈敏度和特異性平衡難、實(shí)際應(yīng)用受限等問(wèn)題。此外，支持向量機(jī)（SVM） [5]和神經(jīng)網(wǎng)絡(luò)（NN） [6]等機(jī)器學(xué)習(xí)算法也被應(yīng)用于PCB缺陷檢測(cè)領(lǐng)域，進(jìn)一步提升了檢測(cè)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(jìn)Faster R-CNN和FPN模型，展示了深度學(xué)習(xí)在提高檢測(cè)精度方面的顯著潛力。盡管如此，這些方法在實(shí)現(xiàn)高精度的同時(shí)，往往以犧牲檢測(cè)速度為代價(jià)。

在此背景下，開(kāi)發(fā)高效的PCB板缺陷檢測(cè)系統(tǒng)具有重要的意義，尤其是在電子信息等專(zhuān)業(yè)教育中，PCB板焊接是學(xué)生必須掌握的一項(xiàng)核心技能。然而，在傳統(tǒng)的實(shí)訓(xùn)教學(xué)中，教師手動(dòng)檢查學(xué)生的PCB板，不僅耗時(shí)且容易出錯(cuò)。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(kāi)發(fā)一個(gè)高效、準(zhǔn)確的PCB板缺陷檢測(cè)系統(tǒng)對(duì)于減輕教師負(fù)擔(dān)、提高教學(xué)質(zhì)量具有重要意義。本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于YOLOv5s的PCB板缺陷檢測(cè)系統(tǒng)，該系統(tǒng)通過(guò)集成CBAM注意力機(jī)制和SlideLoss損失函數(shù)，顯著提高了檢測(cè)的精確度和召回率。此外，系統(tǒng)具備自動(dòng)化評(píng)分、實(shí)時(shí)反饋、數(shù)據(jù)驅(qū)動(dòng)教學(xué)改進(jìn)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(shí)訓(xùn)教學(xué)質(zhì)量，還為我國(guó)電子信息產(chǎn)業(yè)的人才培養(yǎng)提供了支持，推動(dòng)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(cè)算法，以其卓越的檢測(cè)速度和準(zhǔn)確性在實(shí)時(shí)目標(biāo)檢測(cè)領(lǐng)域占據(jù)重要地位。YOLO的核心優(yōu)勢(shì)在于其全卷積網(wǎng)絡(luò)設(shè)計(jì)和端到端的處理流程，這使得它能夠一次性處理整個(gè)圖像，而無(wú)須依賴復(fù)雜的候選區(qū)域提取過(guò)程。YOLO的設(shè)計(jì)目標(biāo)是在單張圖像中快速、準(zhǔn)確地檢測(cè)并定位多個(gè)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(guò)將輸入圖像劃分為固定數(shù)量的網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè)其內(nèi)部是否包含目標(biāo)物體。當(dāng)物體的中心位于某個(gè)網(wǎng)格時(shí)，該網(wǎng)格負(fù)責(zé)輸出該物體的類(lèi)別和邊界框位置，從而實(shí)現(xiàn)高效的端到端檢測(cè)。這種方法將候選區(qū)域生成和目標(biāo)分類(lèi)兩個(gè)任務(wù)合并在一個(gè)網(wǎng)絡(luò)中，大幅度提高了檢測(cè)速度。通過(guò)非極大值抑制（NMS） 處理，YOLO能夠同時(shí)預(yù)測(cè)多個(gè)邊界框及其類(lèi)別概率，從而實(shí)現(xiàn)速度與精度的平衡。

YOLOv5s的模型架構(gòu)通過(guò)精心設(shè)計(jì)，實(shí)現(xiàn)了高效的目標(biāo)檢測(cè)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(lán)色模塊代表Focus模塊，該模塊通過(guò)對(duì)輸入圖像的切片和拼接操作，將圖像的通道數(shù)從3個(gè)（RGB） 擴(kuò)展為更多通道，從而有效壓縮數(shù)據(jù)量并提高計(jì)算效率。接下來(lái)，綠色的卷積層（Conv） 和黃色的C3模塊通過(guò)多次卷積操作進(jìn)一步提取圖像的深層特征。其中，C3模塊采用了殘差連接（類(lèi)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(guò)多尺度的池化操作，增加了對(duì)不同尺度目標(biāo)物體的檢測(cè)能力，使模型對(duì)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(fù)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(lái)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(shí)都能利用這些不同層次的特征進(jìn)行更有效的檢測(cè)。通過(guò)這種自底向上和自頂向下的特征融合路徑，增強(qiáng)了模型對(duì)多尺度目標(biāo)的適應(yīng)性，進(jìn)而提高了整體檢測(cè)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(lái)進(jìn)一步增強(qiáng)特征融合的能力。

最后，頭部網(wǎng)絡(luò)（Head） 負(fù)責(zé)最終的目標(biāo)檢測(cè)。圖1底部的三個(gè)Detect 模塊對(duì)應(yīng)三個(gè)不同的尺度輸出（小、中、大），分別對(duì)不同尺寸的目標(biāo)進(jìn)行檢測(cè)。這種多尺度檢測(cè)機(jī)制確保了YOLOv5s在處理復(fù)雜場(chǎng)景時(shí)，能夠同時(shí)檢測(cè)到大物體和小物體。每個(gè)尺度的檢測(cè)模塊都通過(guò)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(xiàn)。

在YOLOv5s中，損失函數(shù)的設(shè)計(jì)對(duì)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(duì)不同的預(yù)測(cè)任務(wù)進(jìn)行優(yōu)化。

首先，邊界框回歸損失（Bounding Box RegressionLoss） 是評(píng)估預(yù)測(cè)邊界框與真實(shí)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(jìn)的邊界框回歸損失計(jì)算方法。CIOU損失不僅考慮了預(yù)測(cè)框與真實(shí)框的交集面積，還綜合了框的中心點(diǎn)距離、寬高比以及重疊區(qū)域的形狀，從而更全面地評(píng)估邊界框的準(zhǔn)確性。其次，置信度損失（Confidence Loss） 用于評(píng)估模型對(duì)目標(biāo)存在的置信度預(yù)測(cè)。該部分損失通過(guò)二元交叉熵?fù)p失（Binary CrossEntropy Loss） 來(lái)實(shí)現(xiàn)，目的是確保模型能夠正確識(shí)別預(yù)測(cè)框中實(shí)際包含的物體。通過(guò)引入該損失，提高了模型在目標(biāo)存在性預(yù)測(cè)上的準(zhǔn)確性。最后，類(lèi)別分類(lèi)損失（Classification Loss） 負(fù)責(zé)評(píng)估預(yù)測(cè)類(lèi)別與真實(shí)類(lèi)別之間的差異，采用了多分類(lèi)交叉熵?fù)p失（Multiclass CrossEntropy Loss） ，對(duì)每個(gè)目標(biāo)的類(lèi)別預(yù)測(cè)進(jìn)行評(píng)估，確保類(lèi)別預(yù)測(cè)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(gè)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(lèi)別分類(lèi)損失Lcls。每個(gè)部分都有一個(gè)相應(yīng)的權(quán)重系數(shù) λ，用于平衡各個(gè)損失項(xiàng)的貢獻(xiàn)。

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(cè)的邊界框，btrue 是真實(shí)的邊界框。CIOU不僅考慮了IoU（交并比），還考慮了中心點(diǎn)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 是特征圖的大小（假設(shè)是正方形）；B 是每個(gè)網(wǎng)格單元預(yù)測(cè)的邊界框數(shù)量1objij 是一個(gè)指示函數(shù)，當(dāng)?shù)趇個(gè)網(wǎng)格的第j 個(gè)邊界框負(fù)責(zé)預(yù)測(cè)目標(biāo)時(shí)為1，否則為0；pc ij是真實(shí)的置信度得分；p?cij是預(yù)測(cè)的置信度得分。

類(lèi)別分類(lèi)損失為L(zhǎng)cls公式如下：

這是一個(gè)多類(lèi)別交叉熵?fù)p失，用于評(píng)估類(lèi)別預(yù)測(cè)的準(zhǔn)確性。符號(hào)含義與置信度損失相同 ；c 遍歷所有可能的類(lèi)別；pc ij 是類(lèi)別c的真實(shí)概率；p?cij 是類(lèi)別c的預(yù)測(cè)概率。

2 YOLOv5s 算法改進(jìn)

2.1 CBAM 模塊

CBAM模塊是一種輕量級(jí)的混合域注意力模塊，該模塊的作用是通過(guò)學(xué)習(xí)通道和空間特征之間的相互關(guān)系來(lái)提高網(wǎng)絡(luò)模型的性能[9]。在該模塊中同時(shí)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(guò)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(gè)池化操作生成的特征通過(guò)一個(gè)共享的多層感知器（Shared MLP） 進(jìn)行處理，輸出的特征相加并經(jīng)過(guò)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。空間注意力模塊（Spatial Attention Module，SAM） 首先通過(guò)一個(gè)卷積層提取初步的空間特征。接下來(lái)，對(duì)這些特征進(jìn)行通道維度的最大池化和平均池化，生成兩個(gè)不同的特征圖。然后，將這兩個(gè)特征圖沿通道維度拼接，再通過(guò)一個(gè)卷積層生成空間注意力圖。最終，這個(gè)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(jìn)一步提升網(wǎng)絡(luò)的表現(xiàn)。CBAM模塊整體流程：首先，對(duì)輸入特征圖進(jìn)行通道注意力操作，生成加權(quán)后的通道特征圖；然后，再對(duì)該特征圖進(jìn)行空間注意力處理，以增強(qiáng)對(duì)重要空間位置的關(guān)注。通過(guò)這種方式，CBAM能夠在通道和空間兩個(gè)維度上優(yōu)化網(wǎng)絡(luò)的特征表達(dá)能力，從而提升檢測(cè)的精度。CBAM模塊的核心作用是通過(guò)分別在通道和空間維度進(jìn)行注意力加權(quán)，提升網(wǎng)絡(luò)對(duì)關(guān)鍵信息的感知能力。這種雙重注意力機(jī)制能夠有效提高模型在目標(biāo)檢測(cè)任務(wù)中的表現(xiàn)，尤其在處理復(fù)雜場(chǎng)景時(shí)，CBAM能夠幫助網(wǎng)絡(luò)更準(zhǔn)確地識(shí)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(chǎng)景時(shí)，模型對(duì)細(xì)節(jié)的捕捉能力有限。引入CBAM模塊后，可以增強(qiáng)模型對(duì)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(cè)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(jìn)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(gè)卷積層（Conv） 之后增加了CBAM模塊，使得特征圖在進(jìn)行上采樣和拼接之前先經(jīng)過(guò)CBAM模塊的處理。通過(guò)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(duì)重要特征的關(guān)注度。這種改進(jìn)可以在不顯著增加計(jì)算量和檢測(cè)時(shí)間的情況下，增強(qiáng)模型對(duì)重要特征的關(guān)注度，提高檢測(cè)精度，尤其是在處理圖像模糊和小目標(biāo)檢測(cè)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(guò)替換傳統(tǒng)損失函數(shù)可以提高目標(biāo)檢測(cè)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(gè)方面展現(xiàn)了顯著優(yōu)勢(shì)。其自適應(yīng)權(quán)重機(jī)制能夠動(dòng)態(tài)調(diào)整難以檢測(cè)目標(biāo)的權(quán)重，提升對(duì)模糊和邊界不清晰目標(biāo)的處理能力，尤其在復(fù)雜場(chǎng)景中表現(xiàn)出色。通過(guò)引入平滑機(jī)制，SlideLoss在處理接近邊界的目標(biāo)時(shí)減少了過(guò)擬合風(fēng)險(xiǎn)，增強(qiáng)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(cè)性能，尤其是在小目標(biāo)檢測(cè)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(qiáng)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(guò)自適應(yīng)權(quán)重機(jī)制調(diào)整樣本的貢獻(xiàn)，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(cè)樣本在總損失中的貢獻(xiàn)更大。1／1 + e-γ（gi - τ） 是一個(gè)Sigmoid函數(shù)，用于將樣本的難度估計(jì)值gi 映射到權(quán)重wi。gi 是樣本的難度估計(jì)值，可以基于IoU或損失值來(lái)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(guò)閾值時(shí)，權(quán)重迅速增加。SlideLoss 通過(guò)綜合考慮分類(lèi)、定位和穩(wěn)定性，并對(duì)難樣本給予更多關(guān)注，有效提升了模型在各種檢測(cè)任務(wù)中的整體性能。將實(shí)現(xiàn)提高檢測(cè)精度，特別是在檢測(cè)小目標(biāo)缺陷時(shí)，SlideLoss能夠顯著提升模型的精度；減少漏檢測(cè)，通過(guò)自適應(yīng)機(jī)制，提高對(duì)難以檢測(cè)目標(biāo)的關(guān)注度，減少漏檢測(cè)的情況，增強(qiáng)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(shí)驗(yàn)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(jī)器人開(kāi)放實(shí)驗(yàn)室公開(kāi)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(lèi)型的缺陷，分別是漏孔（Missing_hole） 、鼠咬（mouse_bite） 、開(kāi)路（open_circuit） 、短路（short） 、余銅（spurious_copper） 和毛刺（spur） 。

為了增強(qiáng)模型的泛化能力和魯棒性，本文引入了運(yùn)動(dòng)模糊等圖像增強(qiáng)技術(shù)，對(duì)每張圖像進(jìn)行處理，使數(shù)據(jù)集的規(guī)模從原始的693張擴(kuò)展到1386張。通過(guò)對(duì)圖像進(jìn)行增強(qiáng)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(shí)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(qiáng)技術(shù)通過(guò)擴(kuò)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(cè)魯棒性和準(zhǔn)確性，從而確保系統(tǒng)在實(shí)際應(yīng)用中的穩(wěn)定性和可靠性。

3.2 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)均在Windows平臺(tái)下運(yùn)行，使用Python 語(yǔ)言，調(diào)用PyTorch庫(kù)進(jìn)行網(wǎng)絡(luò)搭建、調(diào)試、訓(xùn)練與測(cè)試。實(shí)驗(yàn)在一臺(tái)配備Intel Core i7-11800H處理器和NVIDIA GeForce RTX 3060（130W，6GB） 顯卡的電腦上進(jìn)行。

3.3 模型評(píng)估

為了評(píng)估模型的性能，本文使用目標(biāo)檢測(cè)領(lǐng)域常用的評(píng)價(jià)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(cè)到的目標(biāo)數(shù)量與實(shí)際檢測(cè)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(cè)的正樣本數(shù)，F(xiàn)P（False Positive） 是誤檢測(cè)的樣本數(shù)。

召回率（Recall） ：定義為正確檢測(cè)到的目標(biāo)數(shù)量與真實(shí)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(cè)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(diǎn)，公式為：

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

平均召回率（mAP） 是目標(biāo)檢測(cè)評(píng)估中最常用的指標(biāo)，用于計(jì)算所有類(lèi)別的平均精度。對(duì)每個(gè)類(lèi)別計(jì)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(jì)算AP采用11點(diǎn)插值法，通過(guò)在固定的11個(gè)召回率點(diǎn)上計(jì)算精度的最大值，然后取這些值的平均值來(lái)估算Precision-Recall曲線下的面積，從而得到AP。計(jì)算AP的公式為：

這種方法簡(jiǎn)化了計(jì)算，同時(shí)提供了對(duì)模型性能的合理估計(jì)。mAP是所有類(lèi)別的AP的平均值。故此推導(dǎo)出mAP 的公式為：

4 實(shí)驗(yàn)結(jié)果分析

4.1 模型對(duì)比

表1展示了六種不同目標(biāo)檢測(cè)方法的對(duì)比數(shù)據(jù)，包括Faster RCNN、YOLOv5s、YOLOv5m、YOLOv51、YOLOv5x 以及改進(jìn)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(gè)指標(biāo)上的表現(xiàn)如下：

Faster R-CNN采用了兩階段檢測(cè)架構(gòu)，先生成候選區(qū)域再分類(lèi)定位，因此召回率高（98.0%） ，但由于計(jì)算復(fù)雜度大，推理速度慢（FPS為17.1） ，不適合對(duì)實(shí)時(shí)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(cè)架構(gòu)，在一次前向傳播中完成檢測(cè)和分類(lèi)，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(duì)實(shí)時(shí)性要求高的應(yīng)用場(chǎng)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(duì)精度和速度均有要求的場(chǎng)景。YOLOv5l通過(guò)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(duì)檢測(cè)精度要求高的場(chǎng)景。YOLOv5x 的精度（96.4%） 和召回率（97.3%） 表現(xiàn)出色，mAP達(dá)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(shí)時(shí)檢測(cè)任務(wù)。改進(jìn)后的YOLOv5s+CBAM+SlideLoss引入了CBAM注意力機(jī)制和SlideLoss損失函數(shù)，提升了模型對(duì)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(cè)時(shí)表現(xiàn)突出。雖然FPS為31.9，不及YO?LOv5s，但在需要高精度檢測(cè)的場(chǎng)景中表現(xiàn)最佳。總體來(lái)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(cè)精度和處理復(fù)雜圖像場(chǎng)景的應(yīng)用。YOLOv5s由于其最高的FPS，適合對(duì)實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)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(shí)時(shí)性不如YOLOv5系列。綜上所述，YOLOv5s+CBAM+SlideLoss 提供了最佳的檢測(cè)性能，是高精度和復(fù)雜環(huán)境下目標(biāo)檢測(cè)的理想選擇。

4.2 消融實(shí)驗(yàn)

為了評(píng)估改進(jìn)后的YOLOv5s模型在教學(xué)端PCB 檢測(cè)中的效果，本文進(jìn)行了四次消融實(shí)驗(yàn)。這些實(shí)驗(yàn)使用經(jīng)過(guò)運(yùn)動(dòng)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(cè)中的性能差異。具體實(shí)驗(yàn)數(shù)據(jù)如表2所示。

根據(jù)實(shí)驗(yàn)結(jié)果，YOLOv5s原始模型在目標(biāo)檢測(cè)任務(wù)中的準(zhǔn)確率為0.895 5，顯示其在目標(biāo)檢測(cè)分類(lèi)任務(wù)中具備較高的精確性。然而，盡管F1值達(dá)到0.914 3，表明模型在正負(fù)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(jìn)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(qiáng)了模型在正負(fù)樣本不均衡問(wèn)題上的綜合表現(xiàn)，尤其是在對(duì)重要特征的關(guān)注上提高了模型的整體檢測(cè)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(guò)平滑和自適應(yīng)機(jī)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(cè)時(shí)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(jìn)模型表現(xiàn)最佳，準(zhǔn)確率達(dá)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(shuō)明該改進(jìn)模型在所有評(píng)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(cè)任務(wù)時(shí)展現(xiàn)了卓越的能力。這些結(jié)果進(jìn)一步證明CBAM和SlideLoss的結(jié)合在提高模型檢測(cè)性能方面具有顯著的效果和魯棒性。

5 系統(tǒng)設(shè)計(jì)

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(fù)責(zé)頁(yè)面展示和用戶交互，后端負(fù)責(zé)業(yè)務(wù)邏輯和數(shù)據(jù)處理，模型層負(fù)責(zé)數(shù)據(jù)存儲(chǔ)和管理。同時(shí)，利用改進(jìn)后的YOLOv5s深度學(xué)習(xí)模型，實(shí)現(xiàn)PCB板缺陷的自動(dòng)檢測(cè)。數(shù)據(jù)庫(kù)設(shè)計(jì)方面，結(jié)合Django的ORM特性，定義了多個(gè)模型來(lái)存儲(chǔ)用戶、圖片和檢測(cè)結(jié)果等信息。整個(gè)系統(tǒng)采用模塊化設(shè)計(jì)，具有良好的可擴(kuò)展性和可維護(hù)性。

基于YOLOv5s的自動(dòng)化PCB檢測(cè)系統(tǒng)的設(shè)計(jì)包括前端、后端和算法模型三個(gè)主要部分。前端主要負(fù)責(zé)用戶界面的設(shè)計(jì)與實(shí)現(xiàn)，后端負(fù)責(zé)數(shù)據(jù)的存儲(chǔ)和處理，算法模型負(fù)責(zé)PCB板的缺陷檢測(cè)。

1） 前端設(shè)計(jì)：系統(tǒng)使用了HTML、CSS和JavaScript 來(lái)構(gòu)建用戶界面，采用了Bootstrap等CSS框架，確保頁(yè)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(yè)面中，模板中使用變量、循環(huán)和條件語(yǔ)句，動(dòng)態(tài)生成內(nèi)容。JavaS?cript用于實(shí)現(xiàn)動(dòng)態(tài)交互效果，如表單驗(yàn)證、異步請(qǐng)求等，增強(qiáng)用戶體驗(yàn)。

2） 后端設(shè)計(jì)：后端主要負(fù)責(zé)用戶信息、圖片信息和檢測(cè)結(jié)果的存儲(chǔ)與管理。后端接收到前端上傳的圖片后，會(huì)調(diào)用算法模型進(jìn)行檢測(cè)，并將檢測(cè)結(jié)果存儲(chǔ)在數(shù)據(jù)庫(kù)中。后端采用Django框架進(jìn)行開(kāi)發(fā)，使用Django的ORM（對(duì)象關(guān)系映射）進(jìn)行數(shù)據(jù)庫(kù)操作。后端主要負(fù)責(zé)接收前端上傳的圖片，調(diào)用算法模型進(jìn)行檢測(cè)，并將檢測(cè)結(jié)果存儲(chǔ)在數(shù)據(jù)庫(kù)中。數(shù)據(jù)庫(kù)使用MySQL進(jìn)行存儲(chǔ)，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(rèn)證系統(tǒng)來(lái)管理用戶注冊(cè)和登錄。為了確保密碼的安全性，采用了Django 默認(rèn)的密碼加密機(jī)制（bcrypt） 對(duì)用戶密碼進(jìn)行加密存儲(chǔ)，并在用戶登錄時(shí)驗(yàn)證密碼。數(shù)據(jù)庫(kù)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(shí)，定義了一個(gè)自定義的Person模型，與User模型通過(guò)外鍵關(guān)聯(lián)，用于存儲(chǔ)用戶的角色信息（教師或?qū)W生）。用戶注冊(cè)時(shí)，前端表單收集用戶名、密碼、確認(rèn)密碼和角色信息，后端接收數(shù)據(jù)后，驗(yàn)證密碼是否一致，并檢查用戶名是否已存在。如果驗(yàn)證通過(guò)，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(shí)，系統(tǒng)驗(yàn)證用戶名和角色是否匹配，使用Django的認(rèn)證系統(tǒng)驗(yàn)證密碼，成功登錄后，根據(jù)用戶角色重定向到相應(yīng)的頁(yè)面。為實(shí)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(wèn)特定視圖函數(shù)，未授權(quán)的用戶訪問(wèn)受限頁(yè)面時(shí)，會(huì)被重定向或提示無(wú)權(quán)限訪問(wèn)。

在圖片上傳模塊中，系統(tǒng)使用Django處理文件的上傳和存儲(chǔ)，利用os庫(kù)進(jìn)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(cè)結(jié)果。上傳的圖片信息存儲(chǔ)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(shí)間記錄的準(zhǔn)確性，使用pytz庫(kù)來(lái)處理時(shí)區(qū)信息。教師用戶可以通過(guò)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(duì)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(kù)進(jìn)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(shí)選擇。

缺陷檢測(cè)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(jìn)后的YOLOv5s目標(biāo)檢測(cè)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(cè)圖片的文件路徑列表，遍歷每張圖片，使用模型進(jìn)行檢測(cè)，提取檢測(cè)結(jié)果并統(tǒng)計(jì)每種缺陷的數(shù)量。缺陷類(lèi)別包括缺孔、鼠咬、開(kāi)路、短路、毛刺和雜銅。根據(jù)用戶在評(píng)分設(shè)置頁(yè)面輸入的總分和焊點(diǎn)總數(shù)，計(jì)算每個(gè)缺陷的扣分權(quán)重，計(jì)算每張圖片的總評(píng)分，并將檢測(cè)結(jié)果和評(píng)分保存到自定義的數(shù)據(jù)庫(kù)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(yè)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(shí)間降序排序。對(duì)每個(gè)上傳記錄，匯總對(duì)應(yīng)的檢測(cè)結(jié)果，包括總檢測(cè)圖片數(shù)、每種缺陷的總數(shù)和平均評(píng)分。使用Django的Paginator對(duì)歷史記錄進(jìn)行分頁(yè)，每頁(yè)顯示固定數(shù)量的記錄。在前端頁(yè)面中提供分頁(yè)導(dǎo)航，方便用戶瀏覽不同頁(yè)的數(shù)據(jù)。用戶可以點(diǎn)擊某個(gè)歷史記錄，查看對(duì)應(yīng)的詳細(xì)檢測(cè)結(jié)果，詳細(xì)頁(yè)面顯示每張圖片的缺陷統(tǒng)計(jì)和評(píng)分。

在結(jié)果查看和導(dǎo)出功能中，系統(tǒng)使用pandas庫(kù)處理數(shù)據(jù)并生成Excel文件。檢測(cè)完成后，系統(tǒng)查詢最新的檢測(cè)結(jié)果，并在前端頁(yè)面中以表格形式展示每張圖片的檢測(cè)結(jié)果，包括缺陷數(shù)量和評(píng)分。用戶可以點(diǎn)擊導(dǎo)出Excel按鈕，后端使用pandas將檢測(cè)結(jié)果轉(zhuǎn)換為DataFrame，導(dǎo)出為Excel文件并供用戶下載。評(píng)分設(shè)置模塊中，用戶可以輸入焊點(diǎn)總數(shù)和總分，提交表單后，后端接收數(shù)據(jù)，計(jì)算每個(gè)缺陷的扣分權(quán)重，并存儲(chǔ)在會(huì)話中。在后續(xù)的檢測(cè)過(guò)程中，系統(tǒng)會(huì)讀取會(huì)話中的參數(shù)進(jìn)行評(píng)分計(jì)算。會(huì)話管理使用Django的request.session，確保用戶的評(píng)分設(shè)置在整個(gè)檢測(cè)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(kù)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(shí)選擇。在創(chuàng)建文件夾時(shí)，系統(tǒng)會(huì)檢查文件夾是否已存在，避免重復(fù)創(chuàng)建。刪除文件夾時(shí)，系統(tǒng)會(huì)驗(yàn)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(yàn)證教師用戶是否存在，獲取對(duì)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(duì)應(yīng)教師的文件夾下，并在數(shù)據(jù)庫(kù)中記錄圖片的上傳信息，方便教師查看和管理。

為實(shí)現(xiàn)權(quán)限控制和裝飾器，系統(tǒng)使用了Django提供的認(rèn)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(wèn)權(quán)限，確保只有特定角色的用戶才能訪問(wèn)。不符合條件的用戶將被重定向或提示無(wú)權(quán)限訪問(wèn)。在需要限制訪問(wèn)的視圖函數(shù)上，添加@role_re?quired（teacher）或@role_required（student）即可實(shí)現(xiàn)角色權(quán)限控制。

5.3 功能演示

1） 評(píng)分設(shè)置：評(píng)分設(shè)置頁(yè)面允許用戶為每個(gè)焊點(diǎn)分配分?jǐn)?shù)，該分?jǐn)?shù)基于焊點(diǎn)總數(shù)與設(shè)定總分的比例，即每個(gè)焊點(diǎn)分?jǐn)?shù)為總分除以焊點(diǎn)總數(shù)。此頁(yè)面同時(shí)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(rèn)進(jìn)入此頁(yè)面。

2） 文件夾管理和圖片上傳：用戶可以通過(guò)文件管理功能對(duì)文件進(jìn)行創(chuàng)建、刪除、修改和查詢操作。例如，在創(chuàng)建文件夾時(shí)，用戶需在輸入框中輸入文件夾名稱（如“test”） ，點(diǎn)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(jìn)行操作，如圖7所示。

通過(guò)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(cè)結(jié)果處理和展示：請(qǐng)依次完成評(píng)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(qǐng)通過(guò)分?jǐn)?shù)設(shè)置頁(yè)面的查看歷史記錄按鈕進(jìn)入界面，此界面可以查看以往檢測(cè)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(guò)“查看詳情”按鈕查看對(duì)應(yīng)的詳細(xì)界面。

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

6 結(jié)論

本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于改進(jìn)YOLOv5s模型的PCB板缺陷檢測(cè)系統(tǒng)。針對(duì)原始YOLOv5s模型在PCB缺陷檢測(cè)中通道和空間信息提取不足的問(wèn)題，本文引入了CBAM注意力機(jī)制，增強(qiáng)了模型對(duì)重要特征的關(guān)注度，提高了特征提取的有效性。同時(shí)，采用SlideLoss損失函數(shù)，增強(qiáng)了模型對(duì)難以檢測(cè)樣本的識(shí)別能力，減少了漏檢現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，改進(jìn)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(cè)方面表現(xiàn)尤為突出。本文研究的創(chuàng)新點(diǎn)在于將改進(jìn)的YOLOv5s模型成功應(yīng)用于教學(xué)實(shí)踐，提供了高效、準(zhǔn)確的PCB缺陷檢測(cè)解決方案，具有實(shí)際應(yīng)用價(jià)值和推廣潛力。未來(lái)的研究工作將致力于進(jìn)一步提升模型的檢測(cè)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(jìn)的損失函數(shù)和注意力機(jī)制，進(jìn)一步提高模型的性能。此外，計(jì)劃將該系統(tǒng)擴(kuò)展應(yīng)用到其他類(lèi)型的缺陷檢測(cè)任務(wù)中，如焊點(diǎn)檢測(cè)、電子元器件檢測(cè)等，為更多領(lǐng)域的教學(xué)和工業(yè)檢測(cè)提供支持，推動(dòng)智能檢測(cè)技術(shù)的發(fā)展與應(yīng)用。

參考文獻(xiàn)：

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

[2] 徐一奇，肖金球，汪俞成，等.基于機(jī)器視覺(jué)的PCB表面缺陷檢測(cè)研究綜述[J/OL].微電子學(xué)與計(jì)算機(jī)，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(xiàng)目：新疆農(nóng)業(yè)大學(xué)大學(xué)生創(chuàng)新項(xiàng)目：電子技術(shù)基本技能實(shí)訓(xùn)評(píng)分系統(tǒng)（項(xiàng)目編號(hào)：dxscx2024355）