基于Cascade R-CNN改进的PCB瑕疵检测方法

作者：芦照烜; 朱晓龙^*; 龙顺宇; 谢鑫刚

来源：现代电子技术, 2023, 46(15): 172-179.

DOI：10.16652/j.issn.1004-373x.2023.15.030

• 瑕疵检测
• 深度学习
• Cascade R-CNN
• 目标检测
• PCB
• 知识蒸馏

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%。

• 单位
  海南热带海洋学院