摘要
随着电子行业的持续快速发展，对于电路板的生产制造也提出了更高的要求，因此对于电路板的检测工作十分重要。目前对于电路板的检测可以分为对于PCB裸板的检测以及对于已贴装元器件的电路板的检测，针对已贴装元器件的电路板检测，本文开展了基于深度学习的元器件目标检测以及元器件标识字符识别的研究。 本研究针对电子元器件目标检测问题，提出了一种基于改进YOLOv5s的电路板上的电子元器件识别算法。首先采集电路板图像，对采集的图像进行标注和数据划分，做为电路板元器件识别的数据集。运用轻量化网络Ghostnet替换YOLOv5原始的主干特征提取网络，在减少模型的参数量以及模型推理速度的同时尽可能的保证模型检测的准确率。同时运用加权双向特征金字塔网络（BiFPN）替换YOLOv5s原始的路径聚合网络（PAN）结构，加强网络融合提取的不同尺寸目标特征的能力，通过本文自制数据集对改进后的模型进行训练。针对部分电路板元器件上的标识识别问题，选用CRNN字符识别算法做为本文的基础算法，采用网络层数更深的Resnet网络替换原始的vgg网络，通过双向LSTM完成字符序列的预测，通过CTC损失函数对元器件标识识别模型的输出结果进行优化。将改进后的网络通过迁移学习的方式进行训练。 试验结果表明，改进的YOLOv5s元器件识别算法对元器件识别的mAP值达到了80.3%，参数量减少为3708815，模型大小为7.56M。相比于原始YOLOv5s算法，mAP值提升了3.1%，模型参数量降低了47.3%。改进的CRNN标识识别准确率达到了91.1%，较原始网络提升了2.4%。
NETL