基于深度学习的PCBA焊接缺陷检测.pdf

基于深度学习的PCBA焊接缺陷检测

摘要

PrintedCircuitBoardAssembly（PCBA）是指经过元器件焊接后的印制电路板。随着

数字化转型的深入，PCBA发展趋向于精密化，但受限于国产贴片机技术，在实际完成

PCB的表面贴装过程中，各种缺陷问题层出不穷，因此对其进行缺陷检测是制造工艺的

关键流程。PCBA缺陷检测的传统方法在实际过程中存在成本高、检测精度低、速度慢等

问题，基于工业成本问题以及对贴片机生产过程反馈的考虑，本文提出基于深度学习的

PCBA焊接缺陷检测。

本文基于收集到的PCBA图片构建原始数据集，在模型训练中发现本数据集存在样

本数量少以及缺陷种类间数量不平衡的问题，针对该问题，在尝试翻转、移动、增加噪

声等操作再进行训练得到的效果并不理想的情况下，选择针对单一缺陷类型，经过生成

对抗网络随机生成新的缺陷样本，扩充缺陷样本多样性并且维持各种类缺陷数量平衡。

但由于生成对抗网络生成样本的随机性过高，混淆缺陷特征和元件特征，造成的数据污

染严重，生成的图片质量也有待提升，因此本文针对该样本集提出一种基于截断的混合

z

注意力的双判别条件生成对抗网络，通过抑制随机生成使生成的图片更接近真实图片，

通过双判别器反向促进生成器生成质量，最终通过筛选，完成数据集扩充，经过网络训

练效果对比验证，证实了有效性。

其次，基于产线效率的考虑，本文针对模型训练过程出现的训练时间过长以及推理

速度较慢的问题，提出一种改进的YOLOX-s网络模型，对原网络模型进行推理速度提升，

并针对加速后导致的精度损失进行补偿。本文针对卷积运算以及通道运算进行调整，显

著减少了训练和推理耗时，并利用注意力机制加强特征提取能力；分析非极大值抑制

（NonMaxSuppression，NMS）和交并比（IntersectionoverUnion，IoU）缺点后，替换

SoftNMS和WiseIoU计算来提升缺陷定位方式，增加网络模型的平均准确率，同时缩减

了模型的参数量，降低工业成本。实验结果表明，基于YOLOX改进的PCBA焊接缺陷

检测算法在检测精度上有了约6%的提升。

关键词：深度学习；缺陷检测；印制电路板；数据集扩充

基于深度学习的PCBA焊接缺陷检测

ABSTRACT

PrintedCircuitBoardAssemblyreferstothePrintedCircuitBoardthatcompletesvarious

componentplug-insandsoldering.Withtheprogressofnationaldigitaltransformationand

intelligentmanufacturingtechnology,Highprecisionandsignificantdensityarethegeneral

directionsthatPCBAtendstotake.Althoughconstrainedbydomesticplacementmachine

technology,itisinevitablethatvariousdefectproblemswillariseintheactualcompletionofthe

surfacemountprocessofPCB,thereforedefectdetectionofPCBAisavitallink.The

conventionalapproachtoPCBAdefectdetect