本发明涉及印刷电路板表面缺陷检测，具体涉及一种pcb缺陷检测方法。
背景技术：
1、作为电子设备的基础平台，pcb(印刷电路板)在几乎所有电子产品中都起着至关重要的作用。其主要作用是为电子元器件提供支持、连接和电气连接，从而促使电路实现小型化和集成化。因此，pcb的质量直接影响着电子产品的可靠性和成品率。电子设备的设计和功能实现很大程度上依赖于pcb的性能，因此确保其质量至关重要。然而，pcb在制造过程中可能会出现各种缺陷，如短路、开路、缺孔等。这些缺陷可能导致电路板的电气性能下降，甚至使整个电子设备无法正常工作。为了确保产品质量，及时识别并修复这些pcb缺陷至关重要。为了解决pcb检测的问题，主要采用自动光学检测(aoi)设备进行检测。它使用高速高精度视觉处理技术自动检测pcb板上的各种不同的贴装错误和焊接缺陷，显著提高了检测效率，同时也降低了人工成本。然而，其缺点在于设备价格较高，同时对检测环境也有较高的要求。
2、近年来，随着科技的进步，深度学习已成为目标检测任务中最广泛应用的方法之一。r-cnn作为首个将深度学习引入目标检测领域的模型。该模型通过在图像中生成候选区域，然后对每个区域进行卷积神经网络(cnn)的前向传播，最终输出目标的类别和位置。它为后续的目标检测模型奠定了基础。yolo作为一种单阶段模型，它通过将检测任务转化为回归问题，可以在图像上直接进行预测，实现了快速的实时目标检测；单阶段模型以其参数和计算量低而受到广泛关注，在牺牲一定精度的情况下能够换来速度的提升。而对于faster r-cnn等二阶段检测模型，它们在准确性上可能更具有优势。但同样地，多阶段模型相对复杂，会包含更多的处理步骤。这些深度学习算法通过对图像进行快速、准确的分析，能够有效地检测出各种类型的缺陷。由于pcb缺陷图像分辨率高，且大多数缺陷是小目标，不易检测；为了解决这些问题，研究人员提出了一系列改进和创新的方法。如利用k-means聚类设计合理的锚点，通过构造特征金字塔增强不同层次特征映射之间的关系，充分利用底层结构信息，从而更好地检测pcb中的微小缺陷。但该网络存在模型参数量较多，检测速度较慢，无法满足实时监测的需求。还有的以resnet-101作为主干提出了一种基于扩展特征金字塔网络模型的pcb缺陷检测算法。但同样没有解决模型尺寸大，检测速度较低等问题。因此精度与速度，参数和计算量的平衡是当前目标检测模型研究的重点和难点。为此，提出一种pcb缺陷检测方法。
技术实现思路
1、本发明所要解决的技术问题在于：如何让目标检测模型能够以更少的参数量以及更低的计算复杂度获得更高的检测性能；同时能够有效地检测出各种类型的缺陷，以便于在边缘设备上部署，提供了一种pcb缺陷检测方法。
2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
3、s1：样本预处理
4、对pcb缺陷样本数据样本进行预处理；
5、s2：网络模型搭建
6、在yolov8网络的部分c2f模块中融合scconv以及可变形卷积，得到改进后的两种c2f模块，并通过评价指标对yolov8网络的各个版本进行评价选取基准模型，利用改进后的两种c2f模块结合基准模型搭建网络模型；
7、s3：损失函数优化
8、对网络模型进行训练，选择siou作为边界框回归损失函数代替模型原有的损失函数进行训练，训练完成后得到pcb缺陷检测模型。
9、s4：输出检测结果
10、在测试集上对pcb缺陷进行检测，得出pcb缺陷检测结果，并输出检测速度。
11、更进一步地，在所述步骤s1中，预处理包括数据增强处理，数据增强处理包括对图片的随机裁剪、旋转、缩放、亮度调节以及马赛克增强。
12、更进一步地，在所述步骤s1中，包括以下过程：
13、s11：将预处理后的pcb缺陷图像按照设定的比例分别划分为训练集和测试集；
14、s12：将训练集中的图像尺寸调整为640×640。
15、更进一步地，在所述步骤s2中，具体过程如下：
16、s21：基于yolov8网络，将yolov8网络中主干网络cspdarknet-53的最后一个c2f模块中的第二个标准卷积层替换成可变形卷积模块，可变形卷积模块为dcnv3模块；同时，将yolov8网络中特征融合层所有的c2f模块中的第二个标准卷积层替换成了scconv模块；得到改进后的两种c2f模块；
17、s22：将yolov8网络的多个版本在测试集上进行评价，确定yolov8s网络的表现最佳，选取yolov8s网络为基准模型，利用改进后的两种c2f模块结合基准模型搭建网络模型。
18、更进一步地，在所述步骤s21中，所述scconv模块通过减少标准卷积中存在的空间冗余和信道冗余来降低计算成本和模型存储，同时提高模型的性能；所述可变形卷积模块通过引入偏移量使标准卷积能够自适应地对特征图进行采样，改变原有的固定感受野范围，提高特征的提取效率。
19、更进一步地，所述scconv模块包括sru和cru，其中sru采用分离重构的方法来抑制空间冗余，cru采用分离变换融合的策略来减少信道冗余。
20、更进一步地，在所述步骤s22中，采用精度p、召回率r、平均精度ap和map作为评价指标进行评价。
21、更进一步地，在所述步骤s22中，yolov8网络的多个版本包括yolov8n、yolov8s、yolov8m、yolov8l、yolov8x。
22、更进一步地，在所述步骤s3中，边界框回归损失函数siou定义如下：
23、
24、δ＝∑t＝x,y(1-e-γρt)＝2-e-γρx-e-γρy，
25、
26、其中，λ为角度损失，δ为距离损失，ω为形状损失，iou为iou损失，角度损失λ中的ch为真实框和预测框中心点的高度差，σ为真实框和预测框中心点的距离，若预测框中心点及真实框中心点之间的连线与x轴之间的夹角小于则先将预测框移到x轴，反之则移到y轴；为真实框中心坐标，为预测框中心坐标，距离损失δ中的ch、cw为真实框和预测框最小外接矩形的宽和高，(w,h)和(wgt,hgt)分别为预测框和真实框的宽和高，θ用于控制对形状损失的关注程度；b为预测框区域大小，bgt为真实框区域大小。
27、本发明相比现有技术具有以下优点：该pcb缺陷检测方法，通过在原始yolov8网络中添加两种新型卷积模块：scconv模块以及可变形卷积模块，可以更有效地提取空间特征，同时，在减少计算成本的基础上，还能提高模型的检测精度；然后，将原有的损失函数替换为新的siou函数，有助于更好地训练目标，促进模型更快地收敛，从而提高了模型的性能；通过各种对比实验证明了改进的有效性，并成功地将准确率从96.1％提高到97.9％，模型大小仅为19.2m，检测速度为79.1ms，为pcb缺陷检测提供了一种可行的解决方案。
1.一种pcb缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s1中，预处理包括数据增强处理，数据增强处理包括对图片的随机裁剪、旋转、缩放、亮度调节以及马赛克增强。
3.根据权利要求2所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s1中，包括以下过程：
4.根据权利要求1所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s2中，具体过程如下：
5.根据权利要求4所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s21中，所述scconv模块通过减少标准卷积中存在的空间冗余和信道冗余来降低计算成本和模型存储，同时提高模型的性能；所述可变形卷积模块通过引入偏移量使标准卷积能够自适应地对特征图进行采样，改变原有的固定感受野范围，提高特征的提取效率。
6.根据权利要求5所述的一种pcb缺陷检测方法，其特征在于，所述scconv模块包括sru和cru，其中sru采用分离重构的方法来抑制空间冗余，cru采用分离变换融合的策略来减少信道冗余。
7.根据权利要求4所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s22中，采用精度p、召回率r、平均精度ap和map作为评价指标进行评价。
8.根据权利要求4所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s22中，yolov8网络的多个版本包括yolov8n、yolov8s、yolov8m、yolov8l、yolov8x。
9.根据权利要求4所述的一种pcb缺陷检测方法，其特征在于，在所述步骤s3中，边界框回归损失函数siou定义如下：
