基于改進UNet網絡的PCB缺陷檢測方法

摘"要：針對PCB表面小尺寸缺陷難以檢測的問題，提出了一種改進的UNet"語義分割網絡，實現PCB表面缺陷圖像的精確檢測。首先，將UNet的四層網絡層次修改為三層，可以減少整體的計算工作量、提升網絡模型收斂速度、縮短訓練時間；其次，在"UNet"網絡中融入CBAM（Convolutional"Block"Attention"Module）模塊來提升圖像中缺陷目標的顯著度；然后，在編碼階段使用混合空洞卷積替換原有卷積塊，增大感受野，獲取更多的上下文信息。結果表明，UNet的改進模型能夠在提升模型性能的同時減少計算復雜度，能夠增加PCB缺陷檢測效率。

關鍵詞：缺陷檢測；UNet；空洞卷積；注意力機制；語義分割網絡；輕量型網絡；深度學習；小目標檢測

中圖分類號：TP391""""""文獻標識碼：A

PCB"Defect"Detection"Method"Based"

on"Improved"UNet"Network

PENG"Yong1，LIU"Huimin2，LI"Weisong"1，WANG"Shi"3

（1.Electronic"Information"School，"Dongguan"Polytechnic，"Dongguan，Guangdong"523808，"China;

2.Dongguan"Somacis"Graphic"PCB"Co.，"Ltd.，"Dongguan，"Guangdong"523800，"China;

3.Dongguan"Huaxin"Intelligent"Technology"Co.，"Ltd.，"Dongguan，"Guangdong"523808，"China）

Abstract：Aiming"at"the"low"detection"efficiency"of"the"smallsize"defects"of"PCB"surface，"which"cannot"meet"the"real"time"detection"requirements"industrial"production，"a"defect"recognition"method"based"on"improved"UNet"for"printed"circuit"board"defect"detection"is"proposed."Firstly，"reduce"the"original"four"layers"of"UNet"to"three"layers"to"reduce"network"computation"and"shorten"model"training"time."Secondly，"the"convolutional"block"attention"module"（CBAM）"was"integrated"into"the"UNet"network"to"improve"the"significance"of"the"defective"targets"in"the"image."Finally"，in"the"encoding"stage，"the"hybrid"dilated"convolution"is"used"to"replace"the"original"convolution"block"to"increase"the"receptive"field"and"obtain"more"context"information."The"results"show"that"the"improved"UNet"model"network"improves"network"performance"while"reducing"the"computational"complexity"of"the"UNet"network"and"can"increase"the"efficiency"of"printed"circuit"board"defect"detection.

Key"words：defect"detection;"UNet;"dilated"convolution;"attention"mechanism;"semantic"segmentation"network;"lightweight"network;"deep"learning;"small"target"detection

印刷電路板（Printed"Circuit"Board，PCB）在各類電子產品中應用非常廣泛，是電子產品的最核心組件，PCB板的質量與電子產品的質量密切相關，對電子產品的壽命、安全性、實用性都起到決定性的作用，PCB板的缺陷檢測是評價電路板質量的有效途徑[1]。

早期PCB缺陷檢測方法主要包括人工目檢、在線測試、功能測試等[2]，人工目檢需要大量的人工，長時間的人工目檢對視力要求極高，容易出現視覺疲勞，錯檢、漏檢等情況時有發生，導致產品質量不穩定，甚至影響產品的生存，尤其現在PCB板上的線間距和元件體積縮小，這種方法變得越來越不可行；在線測試需要測試夾具、編程和調試時間，夾具制造成本高、使用困難；功能測試需要特殊設備和專門設計的測試程序，編寫功能測試很復雜，因此不適合大多數電路板生產線。

由于傳統PCB缺陷檢測方法存在較多的弊端，隨著機器視覺技術的發展，目前在PCB板行業廣泛應用以機器視覺技術為核心的自動光學檢測系統（Automatic"Optical"Inspection，AOI），AOI主要的檢測方法有參考法、非參考法和混合法[3]。參考法主要是比較標準PCB板圖像和待檢PCB板圖像之間的特征差異，有差異說明有缺陷，再根據缺陷的特征進行分類，確定缺陷類型，這種方法效果較好，但是對待檢圖像的精度要求非常高；非參考法主要是通過一套預定的判定規則來檢測待檢PCB板是否違反規則，所有不符合預定規則的都認為是缺陷，并根據規則確定缺陷類型，但此方法無法處理未設置判別條件的缺陷，可能存在一些無法判定的情況[4]；混合法綜合了參考法和非參考法的優點，混合法利用多種算法和技術，在缺陷檢測中具有更全面、準確的能力，然而，由于混合法涉及復雜的算法和技術，其應用相對較少。

深度學習算法在圖像領域取得了顯著進展，在缺陷檢測方面表現出高效和準確的優勢。近年來，學者已將深度學習應用到"PCB"缺陷檢測領域，深度學習模型可以自動提取"PCB"圖像特征，識別和定位焊點缺陷、短路、斷路等，它減少人工介入，提高檢測準確性和效率，節省成本和時間，深度學習為電子制造業提供智能、高效的質量控制解決方案，未來有望進一步發展和完善。2020年3月，陳燦等[5]通過區域卷積神經網絡（Regionbased"Convolutional"Neural"Network，RCNN）進行特征提取，并使用Generalized"Intersection"over"Union（GIoU）作為損失函數，可以解決在預測框和實際框不相交時無法優化損失函數的問題，GIoU考慮了預測框和實際框之間的交并比以及其對邊界框坐標的影響，使得模型更好地優化檢測目標的定位精度，用Swish激活函數代替Rectified"Linear"Unit（ReLU）激活函數，也可以提升網絡的檢測性能，有效地提升PCB缺陷的檢測精度。2021年3月，董靜毅等[6]通過使用多尺度圖像進行訓練，使網絡能夠學習不同尺度下的目標特征，將ROI"Pooling替換為ROI"Align層，以提高檢測精度，引入噪聲抑制網絡改善Faster"RCNN。該網絡能降低圖像噪聲對目標檢測的干擾，提升準確性，可顯著提升Faster"RCNN對多尺度目標的檢測精度，并減少漏檢和誤檢情況。2021年9月，朱憲宇等[7]提出將"YOLO（You"Only"Look"Once）v4nbsp;引入到"PCB"裸板缺陷檢測，采用"Canopy＋Kmeans"聚類改進"YOLOv4"中"Kmeans"聚類獲取先驗框，其檢測精度優于原始YOLO算法，但檢測速度較慢，難以實現工業應用。2022年7月，陳博源[8]通過使用基于密度的噪聲應用空間聚類（Densitybased"Spatial"Clustering"of"Applications"with"Noise，DBSCAN）算法識別PCB圖像中的高密度區域，即可能存在缺陷的區域，DBSCAN將數據點劃分為核心點、邊界點和噪聲點，能夠有效地找出連續且緊密的聚類，對DBSCAN識別的核心點應用"Kmeans"聚類算法進行進一步的聚類，Kmeans"根據數據點之間的相似性將它們分為預設的聚類數量，從而獲得適用于不同缺陷類型的錨框，通過重新聚類得到的錨框，模型能更好地適應PCB缺陷數據集的特征，提高缺陷檢測的準確性和魯棒性。

上述深度學習算法雖然具有很強的泛化性，大多數實驗效果還不錯，但是對于PCB板的小目標缺陷效果不理想，而且普遍檢測模型較大，檢測速度和檢測精度尚不能滿足工業級檢測的需求。為解決PCB板表面細微缺陷的精確快速檢出，提出一種基于改進UNet網絡的缺陷檢測算法，將UNet網絡中的四層結構調整為三層，以減少網絡的計算量、縮短模型的訓練和檢測時間；在原網絡結構中融入輕量的注意力模塊，增強細微特征的學習；在網絡編碼器結構中應用混合空洞卷積，可以使網絡更好地理解PCB缺陷圖像中的細微特征，增大感受野，提高檢測準確性和魯棒性。實驗證明，在保持模型性能的同時，改進后的網絡獲得了更高的平均精確度（mAP），提高了每秒處理幀數（FPS），并縮短了單張圖片的檢測時間，對PCB板細微缺陷檢測效果更好。

1"網絡結構

1.1"語義分割網絡UNet

UNet網絡是一種用于圖像分割的深度學習模型，其端到端的結構在像素級語義分割任務中表現出色。它由編碼器和解碼器組成，通過逐層特征提取和降采樣實現圖像特征的抽象表示，然后通過上采樣和特征融合恢復分辨率，最終生成像素級的分割結果。UNet網絡對小數據集的訓練效果好，并具有較快的推理速度，因此在目標檢測任務中得到廣泛應用。它在醫學影像分割、自然場景分割等領域取得了顯著進展，并且不斷被改進和擴展。總的來說，UNet網絡以其簡潔有效的結構和強大的語義分割能力，在目標檢測中發揮著重要作用。UNet網絡結構圖如圖1所示。

UNet網絡[9]主要由編碼器和解碼器兩個部分組成。編碼器結構位于左側，通過4次下采樣的過程來提取圖像特征信息。每次下采樣包括3×3卷積層、ReLU激活層和2×2最大池化層，同時特征通道數翻倍。這一過程將圖像從具體到抽象的特征表示，但會導致圖像分辨率降低。解碼器結構位于右側，通過4次上采樣的過程將分割圖像恢復到原始大小。它使用不同的插值算法進行反卷積操作，使得圖像放大并保持相同的尺寸。解碼器包括轉置卷積（用于圖像尺寸擴大）、3×3卷積（減少特征通道數）、深層特征與淺層特征的融合、以及1×1卷積（映射通道到目標類別數）。通過反卷積和特征圖的拼接，實現了分辨率的提升。總體而言，UNet網絡通過左側的下采樣（編碼器）和右側的上采樣（解碼器）過程，實現了圖像特征的抽象表示和分辨率的恢復，從而完成圖像分割任務。

1.2"改進的語義分割網絡

主要對原始的UNet網絡結構進行三處優化[10]。首先，減少網絡層數：將原先的四層減為三層，可以簡化模型結構，加快訓練速度，同時在某些情況下不會顯著影響性能。其次，使用混合空洞卷積：在編碼階段中，使用混合空洞卷積替代普通卷積，擴大感受野，即增加對輸入圖像更遠處像素的感知能力，從而獲取更多上下文信息，提高準確性。最后，引入注意力機制：在每個跳躍連接之間加入注意力機制，使模型能夠重點關注目標區域的特征，抑制冗余特征，以進一步改善分割結果。改進后的UNet可以提取到更精細的特征信息，從而獲得更好的檢測效果。改進的UNet網絡結構圖如圖2所示。

2"具體改進

2.1"混合空洞卷積

空洞卷積通過在卷積核中引入空洞來擴大感受野，從而聚合更多的上下文信息，而不增加模型的參數量。具體而言，空洞率（Dilation"Rates）表示用于在原圖上進行采樣的步長，當rate為1時，空洞卷積等效于標準的卷積操作，不會進行采樣。而當r大于1時，在原圖上每隔（r-1）個像素進行采樣。通過增大空洞率，空洞卷積能夠獲得更廣闊的上下文信息，在感受野內捕捉到更多的全局結構和細節關系。與此同時，由于使用了原有的卷積參數，它不會增加額外的模型參數，避免了計算開銷的增加。空洞卷積感受野計算如下：

K=k+（k-1）（r-1）"（1）

其中，k為原始卷積核大小，r為空洞率。然而當前空洞卷積存在網格效應：空洞卷積采樣率相同，只在非零值位置進行采樣，導致局部信息丟失。為此，采用Wang提出的混合空洞卷積（Hybrid"Dilated"Convolution，HDC）[11]來緩解網格效應問題。混合空洞卷積的思想是通過組合多個不同空洞率的卷積操作，綜合利用它們在感受野大小和信息密度上的優勢。通過使用不同的空洞率，可以同時考慮到更廣范圍和更豐富的局部信息，并有效緩解網格效應造成的局部信息丟失問題。這種混合的策略可以幫助網絡更好地捕捉圖像中的細節和全局結構，并改善模型在處理復雜場景時的性能。通過采用一系列不同的空洞率，而不是使用相同的r，有效緩解了網格效應，如圖3所示。

2.2"注意力機制模塊

CBAM[12]（Convolutional"Block"Attention"Module）是一種雙重輕量級注意力機制，可以集成到卷積神經網絡（Convolutional"Neural"Networks，"CNN）架構中，通過增強有用的特征并忽略無關緊要的特征來提升網絡性能。在UNet網絡中引入CBAM模塊可以幫助網絡提取更為有效的特征。CBAM注意力模塊被設計用于對特征圖進行動態調整，以根據每個通道和位置上的特征重要性進行加權。通道注意力模塊通過學習每個通道之間的相關性，自適應地選擇最具有區分能力的特征通道。而空間注意力模塊則通過學習每個像素點上的相對重要性，自適應地調整特征圖中不同位置像素的權重。通過引入CBAM模塊，UNet網絡可以更好地捕獲和利用圖像中的關鍵特征，進一步提高語義分割性能，如圖4所示。

CBAM包含通道注意力模塊（"Channel"Attention"Module，CAM）"和空間注意力模塊"（"Spatial"Attention"Module，SAM），CBAM的通道注意力模塊中，首先對輸入特征圖F進行全局平均池化（Average"Pooling）和全局最大池化（Global"Max""Pooling）操作，得到兩個特征描述向量。然后，這兩個向量被傳入一個共享網絡，該網絡由含有隱含層的多層感知器組成。這些向量經過感知器疊加，并通過Sigmoid函數進行激活，得到通道注意力輸出權值Mc。這些權值用于對輸入特征圖的每個通道進行加權，以增強有用的特征并抑制無關緊要的特征，如圖5所示。其計算公式為：

Mc（F）=σ（MLP（AvgPool（F））+

MLP（"Max"Pool（f）））=

σ（W1（W0（Fcavg））+W1（W0（Femax）））（2）

其中，σ是Sigmoid函數，MLP權值W0∈RC/r×C和W0∈RC×C/r為兩個共享輸入，r為減少率。

在空間注意力模塊內[13]，通過通道注意力加權得到的特征圖"FC，在通道軸上分別進行全局平均池化和全局最大值池化運算。將池化結果串聯起來，并進行卷積降維操作后，經過Sigmoid函數激活生成空間注意圖MS，最后，將MS與FC相乘得到CBAM輸出的顯著特征圖FCS，如圖6所示。這樣的設計能夠綜合利用全局平均信息和全局最大值信息，從而增強空間特征的表示能力，空間注意力模塊如（3）式所示：

Ms（Fc）=σ{f7×7{［avg"Pool（Fc）;

Max"Pool（Fc）］}}"（3）

式中：σ是Sigmoid函數，f7×7表示卷積核為7×7的卷積運算。

CBAM整體計算過程可以概括為：

Fc=Mc（F）F（4）

Fcs=Ms（Fc）Fc（5）

其中，為逐元素相乘，Fcs為最終精煉輸出。

3"實驗結果與分析

3.1"缺陷數據集

以北京大學智能機器人開放實驗室的開源PCB作為數據集進行網絡訓練。該數據集包含1386張標注過的圖片，使用LabelImg軟件以VOC格式標注，涵蓋了漏孔、缺口、斷路、短路、毛刺和余銅等6類缺陷。由于圖片分辨率不同，需要對圖像進行分割處理，并擴充數據集至11000張[14]。按8∶1∶1的比例劃分為訓練集、驗證集和測試集。

3.2"實驗環境及參數配置

為了保證算法的高效運行，本實驗基于GPU硬件設備進行，GPU擁有強大的并行計算能力，可以加速訓練過程。實驗環境配置如表1所示。

3.3"實驗設計與結果分析

為驗證改進算法的有效性，可以從以下幾個方面對比改進算法與原始UNet算法及其他算法：精度（AP）：計算兩種算法在相同測試數據集上的平均精度（Average"Precision），評估改進算法是否在目標檢測中更準確。平均精度（mAP）：計算兩種算法在相同測試數據集上的平均精度，綜合考慮多個類別的精度表現，對比兩者的性能。圖像刷新頻率（FPS）：通過性能測試，測量兩種算法在相同硬件設備上的圖像處理速度，確定改進算法是否具有更高的實時性能。單張圖片檢測時間：測量兩種算法處理單張圖片所需的時間，對比它們的檢測效率。通過以上對比分析，可以評估改進算法在精度、實時性能和效率方面的優勢和改進之處。

由表2可知，在檢測鼠咬、毛刺兩種小目標缺陷時，引入注意力機制的UNet算法較原始UNet算法的AP分別提升3.97%、3.13%，相較Faster"RCNN算法的AP分別提升1.96%、3.5%，與YOLOv5算法的AP基本相當。檢測余銅和短路這兩種難以檢測的缺陷方面，改進的UNet算法較原始UNet算法的AP提升了2.78%和0.44%，相較Faster"RCNN算法的AP分別提升2.1%、2.85%，與YOLOv5算法的AP相比也有一定的提升。實驗證明，注意力機制的引入確實可以提升UNet算法對于一些具有微小、復雜特征的缺陷的檢測性能。通過注意力機制，網絡可以學習到哪些特征對于缺陷檢測更為重要，并將更多關注度放在這些有效特征上，同時忽略無效特征。對于余銅、短路、鼠咬和毛刺等缺陷類型，由于它們通常具有微小且復雜的特征，傳統的算法可能難以準確檢測出來，而改進的UNet算法引入了注意力機制后，在處理這些具有微小、復雜特征的缺陷時表現出更好的性能。這進一步驗證了改進的UNet算法在處理小目標缺陷和難以檢測缺陷時的有效性，通過注意力機制幫助網絡集中關注對缺陷檢測更有價值的特征，從而提升了檢測性能。

表3為融合注意力機制后的UNet算法與原始UNet在相同硬件條件下，對比mAP、FPS、單張圖片檢測時間的數據。基于改進UNet算法進行PCB缺陷檢測的平均精度（mAP）為94.22%，相較于原始UNet算法，提升了2.58%，相較于Faster"RCNN算法，提升了2.6%，與YOLOv5算法基本相當，這表明改進算法在準確性上取得了提升。在FPS、單張圖片檢測時間的數據等反映檢測速度數據方面，由于引入了注意力機制增加了計算量，改進UNet算法檢測速度略有下降，但不會對單張圖片檢測時間造成明顯影響，仍能滿足實際生產過程中的檢測需求，可以保持較高的實時性能，而YOLOv5算法由于模型最大，檢測速度最慢。

通過上述性能評價指標可以說明改進UNet算法對PCB缺陷的檢測性能優于標準UNet算法和Faster"RCNN算法，與YOLOv5算法基本相當，但在檢測速度上優于YOLOv5算法。為了更直觀地體現改進UNet算法的檢測性能，下面將從實際檢測效果進行對比分析。選取PCB缺陷中毛刺、鼠咬兩種小目標缺陷進行可視化檢測的對比分析。

圖7為針對PCB毛刺缺陷的實際檢測效果，用不同算法對同一塊PCB毛刺缺陷板進行檢測，其中圖7（a）是采用標準UNet算法的檢測效果，圖7（b）是采取改進UNet算法的檢測效果。由對比圖7（a）（b）可知，在檢測到的微小復雜的毛刺缺陷中，采用改進UNet算法檢測PCB缺陷的準確率分別為"85%、92%、97%、86%、90%，相較于標準UNet算法的68%、79%、77%、79%、72%，分別提升了"7%、13%、20%、7%、18%。實驗結果表明，改進UNet算法對毛刺缺陷的檢測性能優于標準UNet算法，驗證了基于改進"UNet算法"的PCB"缺陷檢測算法的有效性。

圖8為針對難以檢測的PCB鼠咬缺陷的實際檢測效果，用不同算法對同一塊PCB鼠咬缺陷板進行檢測，其中圖8（a）是采用標準UNet算法的檢測效果，圖8（b）是采取改進UNet算法的檢測效果。由對比圖8（a）（b）可知，改進UNet算法檢測PCB鼠咬缺陷的平均準確率為84%，相較于標準UNet算法的77%提升了7%。

從客觀性能指標以及實際檢測效果的對比可以看出，改進UNet算法可以提升對小目標缺陷和難檢測缺陷的檢測精度，進一步提升檢測性能，有效滿足PCB實際生產中的檢測需求。

4"結"論

為了進一步提升"UNet算法對"PCB"缺陷的檢測精度，強化對微小、復雜的"PCB"缺陷的檢測性能，提出一種結合"CBAM注意力機制的UNet算法。首先，引入能緩解網格效應的混合空洞卷積，實現感受野的指數級增長，從而聚合更多的上下文信息。其次，采用CBAM雙重輕量級注意力機制，高效獲取有效信息，提高PCB缺陷特征的提取效率，改進UNet算法中有效特征層的融合方式，可以更好地利用多尺度特征提取的優勢。最后，在mAP（平均精度均值）方面，改進的UNet算法表現更好，能夠更精準地檢測微小、復雜的缺陷，改進的UNet算法具有更快的處理速度，通過實驗中的FPS（每秒處理幀數）和單張圖片檢測時間可以觀察到這一點，這意味著基于改進的UNet算法的PCB缺陷檢測算法可能更適合大規模應用。

綜上所述，改進的UNet算法在PCB缺陷檢測方面具有顯著優勢，該算法具有較高的mAP和更快的處理速度。尤其對于微小、復雜的缺陷檢測，其準確性更高。因此，將改進的UNet算法應用于PCB缺陷檢測領域可以更好地滿足實際需求。

參考文獻

［１］"王淑青，魯濠，魯東林，等.基于輕量化人工神經網絡的PCB板缺陷檢測[J].儀表技術與傳感器，2022，（5）：98-104.

[2]"馬宇峰，羊軼濤，馬佳明，等.基于深度學習的PCB板元件檢測與識別系統設計[J].電子世界，2021，（8）：192-193.

[3]"黃璇.PCB元器件自動光學檢測技術研究[J].華東科技，2022，（9）：51-53.

[4]"曹珩.機器視覺技術在PCB自動檢測中的應用[J].集成電路應用，2022，39（12）：258-259.

[5]"陳燦，王亞龍，王福鑫，等.基于區域卷積神經網絡的PCB板檢測與識別系統[J].電腦編程技巧與維護，2020（3）：119-120.

[6]"董靜毅，呂文濤，包曉敏，等.基于機器視覺的PCB板表面缺陷檢測方法研究進展[J].浙江理工大學學報（自然科學版），2021，45（3）：379-389.

[7]"朱憲宇，熊婕，王檸莎，等.基于改進YOLOv4的PCB裸板缺陷檢測方法研究[J].工業控制計算機，2021，34（9）：39-40.

[8]"陳博源.基于YOLOv5的印制電路板缺陷智能檢測[J].電子測試，2022，36（7）：62-65.

[9]"王一，龔肖，杰蘇皓.基于改進UNet的金屬工件表面缺陷圖像分割方法[J].應用光學，2023，44（1）：86-92.

[10]"李秀華，朱水成.一種基于改進UNet的肝臟腫瘤分割方法[J].計算機技術與發展，2023，33（2）：72-74.

[11]"WANG"P"Q，CHEN"P"F，YUAN"Y，et"al.Understanding"convolution"for"semantic"segmentation[C]//2018"IEEE"winter"conference"on"applications"of"computer"vision"（WACV）.Nevada：IEEE，2018：1451-1460."

[12]"FU"H"X，"SONG"G"Q，"WANG"Y"C，"et"al."Improved"YOLOv4"marine"target"detection"combined"with"CBAM[J]."Symmetry，2021，13（4）：623-635.

[13]"趙鶴，楊曉洪，楊奇，等.融合注意力機制的金屬缺陷圖像分割方法[J].光電子激光，2021，32（4）：403-408.

[14]"舒軍，李靈，鄧明舟，等.基于NCC的PCB圖像配準算法研究[J].湖北工業大學學報，2022，37（2）：48-54.