.png){kind=icon}
返回
GESC-YOLO: Improved Lightweight Printed Circuit Board Defect Detection Based Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/s25103052.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
印刷电路板（PCBs）是电子产品中不可或缺的部分，其质量对这些产品的运行完整性和功能可靠性至关重要。目前，现有的PCB缺陷检测模型存在模型尺寸过大和参数复杂等问题，导致其难以满足在移动设备上进行轻量化部署的要求。为应对这一挑战，本文提出了一种轻量级检测模型GESC-YOLO，该模型通过对YOLOv8n架构进行改进而开发。首先，设计了一种新的轻量级模块C2f-GE，用于替代骨干网络中的C2f模块，有效减少了计算参数，同时增加了特征图的通道数，以增强模型的特征提取能力。其次，颈部网络采用轻量级混合卷积GSConv，并将其与VoV-GSCSP模块结合，构建了Slim-neck结构。这种方法不仅保证了检测精度，还实现了模型轻量化并减少了参数数量。最后，将坐标注意力机制引入颈部网络，以分解通道注意力并聚合特征，能够有效保留空间信息，从而提高PCB缺陷图像中小缺陷（缺陷面积小于图像总面积的1%）的检测和定位精度。实验结果表明，与原始YOLOv8n模型相比，GESC-YOLO算法将PCB表面缺陷的mAP提升了0.4%，达到99%。同时，模型尺寸减少了25.4%，参数数量减少了28.6%，计算资源消耗降低了26.8%。这成功实现了检测精度与模型轻量化的平衡。
Keyword:
printed circuit boards
lightweight model
coordinate attention
GSConv
Ghost
defect detection
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments基于通道剪枝的YOLO v4深度学习算法在自然环境下苹果花朵实时准确检测中的应用
PREAI
分享收藏PCB-YOLO: An Improved Detection Algorithm of PCB Surface Defects Based on YOLOv5Pcb-yolo: 一种改进的基于YOLOv5的PCB表面缺陷检测算法.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏RDD-YOLO: A modified YOLO for detection of steel surface defectsRdd-yolo: 一种用于检测钢材表面缺陷的改进YOLOMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏YOLO-P: An efficient method for pear fast detection in complex orchard picking environmentYolo-p: 一种复杂果园采摘环境下梨快速检测的有效方法
OAAI
OAAI分享收藏
查看更多内容