买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种基于改进YOLOv5的PCB板表面缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115719338B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211451316.3，技术领域涉及：G06T7/00；该发明授权一种基于改进YOLOv5的PCB板表面缺陷检测方法是由王成;张嘉鹏;王英民;刘思杰;王奇;陶林伟;郑琨;黄爱萍设计研发完成，并于2022-11-20向国家知识产权局提交的专利申请。

本一种基于改进YOLOv5的PCB板表面缺陷检测方法在说明书摘要公布了：本发明公开了一种基于改进YOLOv5的PCB板表面缺陷检测方法，改进YOLOv5的特征融合网络PANet为BiFPN结构，且添加了SimAM注意力机制，对空间金字塔池化模型SPPF优化后为SPPFCSPC模型，并且缩减了head中用于检测中、大目标的P4、P5结构，使其能够更加准确提取并检测小目标的缺陷，来弥补缺陷检测尺度不足的问题，同时为了进一步解决小目标缺陷检测，优化了训练方法，采用迁移学习的方法，对训练网络的训练权重和参数进行多重迁移化处理，使得短期训练的程度更加充分。

本发明授权一种基于改进YOLOv5的PCB板表面缺陷检测方法在权利要求书中公布了：1.一种基于改进YOLOv5的PCB板表面缺陷检测方法，其特征在于，包括如下步骤： 步骤1：获取数据集并进行数据预处理； 步骤1-1：对获取的PCB板表面缺陷原始数据集进行截取、翻转、映射，将数据集进行标签转换并对数据集进行划分；将数据集划分为训练、验证和测试集； 步骤1-2：采用mosaic数据增强方式，使用4张图片的数据，经过随机缩放、随机裁剪、随机分布的方式进行拼接，将4张图片组合成一张图片； 步骤1-3：将数据集图像统一缩放到同一个尺寸，然后送入检测网络YOLOv5s_BSSs中； 所述检测网络YOLOv5s_BSSs具体描述如后； 步骤2：在YOLOv5主干中，将原来的Focus操作替换成一个卷积层，增加了SimAM注意力机制，并且对空间金字塔池化结构SPPF进行优化，改为SPPFCSPC，具体流程为： 步骤2-1：对于第0层，[-1,1,Conv,[64,6,2,2]]的模块参数args[64，6，2，2]被解析成[3，32，6，2，2]，64代表卷积核的数量，最终的卷积核数量乘以width_multiple，为64×0.5＝32即第0层输出的维度；6为卷积核大小，2为卷积核的步长，3是本层的输入维度因为输入的图像是彩色的RGB3通道； 步骤2-2：对于第1层，[-1,1,Conv,[128,3,2]]的模块参数[128,3,2]被解析成[32,64,3,2]，32为通道数即上一层输出的维度；128代表卷积核的数量，最终的卷积核数量为128×0.5＝64即第1层输出的维度； 步骤2-3：对于第2层，[-1,3,C3,[128]]的模块参数[128]被解析成[64,64,1]，64为通道数即上一层输出的维度；128代表卷积核的数量，最终的卷积核数量为128×0.5＝64即第2层输出的维度； 步骤2-4：对于第3层，[-1,1,Conv,[256,3,2]]的模块参数[256,3,2]被解析成[64,128,3,2]，64为通道数即上一层输出的维度；256代表卷积核的数量，最终的卷积核数量为256×0.5＝128即第3层输出的维度； 步骤2-5：对于第4层，[-1,6,C3,[256]]的模块参数[256]会被解析成[128,128,2]，128为通道数即上一层输出的维度；256代表卷积核的数量，最终的卷积核数量为256×0.5＝128即第4层输出的维度； 步骤2-6：对于第5层，[-1,1,Conv,[512,3,2]]的模块参数[512,3,2]被解析成[128,256,3,2]，128为通道数即上一层输出的维度；512代表卷积核的数量，最终的卷积核数量为512×0.5＝256即第5层输出的维度； 步骤2-7：对于第6层，[-1,9,C3,[512]]的模块参数[512]被解析成[256,256,3]，256为通道数即上一层输出的维度；256代表卷积核的数量，最终的卷积核数量为512×0.5＝256即第6层输出的维度； 步骤2-8：对于第7层，[-1,1,Conv,[1024,3,2]]的模块参数[1024,3,2]被解析成[256,512,3,2]，256为通道数即上一层输出的维度；1024代表卷积核的数量，最终的卷积核数量为1024×0.5＝512即第7层输出的维度； 步骤2-9：对于第8层，[-1,3,C3,[1024]]的模块参数[1024]被解析成[512,512,1]，512为通道数即上一层输出的维度；1024代表卷积核的数量，最终的卷积核数量为1024×0.5＝512即第8层输出的维度； 步骤2-10：对于第9层，[-1,1,SimAM,[1024]]的模块参数[1024]会被解析成[512,512]，512为通道数即上一层输出的维度；1024代表卷积核的数量，最终的卷积核数量为1024×0.5＝512即第9层输出的维度； 步骤2-11：对于第10层，[-1,1,SPPFCSPC,[1024,5]]的模块参数[1024,5]被解析成[512,512,5]，512为通道数即上一层输出的维度；1024代表卷积核的数量，最终的卷积核数量为1024×0.5＝512即第10层输出的维度； 步骤3：在YOLOv5的Neck中，将原来的Concat替换成BiFPN，并且将P4、P5结构去掉以减少网络规模，具体流程为： 步骤3-1：对于第11层，[-1,1,Conv,[512,1,1]]的模块参数[512,1,1]被解析成[512,256,1,1]，512为通道数即上一层输出的维度；512代表卷积核的数量，最终的卷积核数量为512×0.5＝256即第11层输出的维度； 步骤3-2：对于第12层，[-1,1,nn.Upsample,[None,2,nearest]]的模块参数不变； 步骤3-3：对于第13层，[[-1,6],1,BiFPN_Add2,[256,256]]的模块参数[256,256]不变； 步骤3-4：对于第14层，[-1,3,C3,[512,False]]的模块参数[512,False]被解析成[256,256,1,False]，256为通道数即上一层输出的维度；512代表卷积核的数量，最终的卷积核数量为512×0.5＝256即第14层输出的维度； 步骤3-5：对于第15层，[-1,1,Conv,[256,1,1]]的模块参数[256,1,1]被解析成[256,128,1,1]，256为通道数即上一层输出的维度；256代表卷积核的数量，最终的卷积核数量为256×0.5＝128即第15层输出的维度； 步骤3-6：对于第16层，[-1,1,nn.Upsample，[None,2,nearest]]的模块参数不变； 步骤3-7：对于第17层，[[-1,4],1,BiFPN_Add2,[128,128]]的模块参数[128,128]不变； 步骤3-8：对于第18层，[-1,1,C3,[256,False]]的模块参数[256,False]被解析成[128,128,1,1]，125为通道数即上一层输出的维度；256代表卷积核的数量，最终的卷积核数量为256×0.5＝128即第18层输出的维度； 步骤4：将18层的输出作为Detect层的输入，推理得到预测框； 目标框回归，计算公式如下： bx＝2σtx-0.5+cx by＝2σty-0.5+cy bw＝pw×2σtw2 bh＝ph×2σth2 其中bx,by,bw,bh表示预测框的中心点坐标、宽度和高度，cx,cy表示预测框中心点所在网格的左上角坐标，tx,ty表示预测框的中心点相对于网格左上角坐标的偏移量，tw,th表示预测框的宽高相对于anchor宽高的缩放比例，pw,ph表示先验框anchor的宽高； 使用Sigmoid函数处理偏移量，将预测框的中心点约束到当前网格中，使预测的偏移值保持在0,1范围内，再根据目标框回归计算公式，预测框中心点坐标的偏移量保持在-0.5,1.5范围内； 步骤5：正负样本匹配； YOLOv5的每个检测层上的每个网格都预设了多个anchor先验框，对anchor先验框进行筛选，将其划分为正样本和负样本；采用基于宽高比例的匹配策略，具体步骤如下： 步骤5-1：对于每一个人工标注的真实框GroundTruth，分别计算它与9种不同anchor的宽与宽的比值w1w2,w2w1和高与高的比值h1h2,h2h1； 步骤5-2：找到GroundTruth与anchor的宽与宽的比值w1w2,w2w1和高与高的比值h1h2,h2h1中的最大值，作为该GroundTruth与anchor的比值； 步骤5-3：若GroundTruth与anchor的比值小于设定的比值阈值，则anchor就负责预测此GroundTruth，即anchor所回归得到的预测框就被称为正样本，剩余所有的预测框都是负样本； 步骤6：损失计算； 步骤6-1：总损失； YOLOv5的损失包括三个方面：矩形框损失bboxloss、分类损失clsloss、置信度损失objloss；总损失的表达式为： Loss＝boxgain×bboxloss+clsgain×clsloss+objgain×objloss 其中，boxgain、clsgain、objgain分别对应不同的损失权重； 步骤6-2：边界框损失； 使用CIoU计算边界框损失，CIoU的惩罚项为： 其中，ρ2b,bgt代表了预测框和真实框的中心点的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭合区域的对角线距离； α是权重参数，它的表达式为: v是用来衡量宽高比的一致性，它的表达式为: 其中，wgt表示真实框的宽，hgt表示真实框的高，w表示预测框的宽，h表示预测框的高； 所以CIoU的损失计算公式为： 步骤6-3：分类损失； 使用二元交叉熵函数计算分类损失，二元交叉熵函数的定义为： 其中y为输入样本对应的标签，正样本为1，负样本为0，p为模型预测该输入样本为正样本的概率；假设交叉熵函数的定义简化为： L＝-logpt 步骤6-4：置信度损失； YOLOv5使用二元交叉熵函数计算置信度损失；对于不同尺度的检测层上得到的置信度损失，YOLOv5分配了不同的权重系数，按照检测层尺度从大到小的顺序，对应的权重系数分别为4.0、1.0、0.4； 步骤7：采用迁移学习训练方法，对训练网络的训练权重和参数进行多重迁移化处理，增强短期训练的程度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。