文 峰，陈禹铭

(沈阳理工大学信 息科学与工程学院，沈阳110159)

电子元器件表面的缺陷检测是深度学习应用的一个重要组成部分，其精准度、检测速度与训练速度会直接影响电子元器件产品的最终品质与生产节奏。人工检测的方法早已不能满足电子元器件现代化生产制造的需求。近些年，基于深度学习的缺陷检测已经有了广泛应用，如布匹表面缺陷检测[1]、磁环表面缺陷检测[2]、陶瓷砖表面缺陷检测[3]以及钢轨表面缺陷检测[4]等。因此，可以设计基于深度学习的目标检测方法，实现电子元器件表面的缺陷检测。

目前根据检测思路的不同将基于深度学习的目标检测网络框架分成两大类：

一类是基于候选区域的两阶段深度学习目标检测算法，主要有SPP-Net[5]、R-CNN[6]、Fast-RCNN、Faster-RCNN[7]，及以此为基础的优化算法，其共同特点是先找到图片中物体的边界框，再用分类器确定框里的物体类别，并回归精修边界框的位置；

另一类是基于回归方法的端到端单阶段深度学习目标检测算法，主要有YOLO[8-10]、SSD[11]、FPN、RetinaNet[12-13]、RefineDet[14]、CornerNe等，其中YOLO系列算法在检测精度与速度方面表现突出，得到了广泛的应用。

1 YOLOv4目标检测框架

1.1 YOLOv4网络架构

在原有YOLOv3算法基础上，YOLOv4 算法从数据的处理方法、主干网络结构、网络的训练方式、激活函数优化、优化损失函数等方面进行大幅调整，如自对抗训练、DropBlock正则化、SPP(Spatial Pyramid Pooling，空间金字塔池化)等，使得模型在检测速度和精度上取得较大提升。

YOLOv4 网络架构由主干网络(backbone)、颈部网络(neck)、头部网络(head)三部分组成。主干网络的作用是对图像进行特征提取；……