基于改进YOLOv11的印刷电路板缺陷高精度轻量化检测方法

万莹莹; 陈锐

doi:10.12404/j.issn.1671-1815.2503361

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5172-5180 DOI: 10.12404/j.issn.1671-1815.2503361

自动化技术、计算机技术

基于改进YOLOv11的印刷电路板缺陷高精度轻量化检测方法

万莹莹 ,
陈锐 ^*

作者信息 +

High-precision and Lightweight Detection Method for Printed Circuit Board Defects Based on Improved YOLOv11

WAN Ying-ying ,
CHEN Rui ^*

Author information +

文章历史 +

摘要

随着现代电子制造业的飞速发展,为了解决印刷电路板表面小目标缺陷检测精度较低与检测效率不高的问题,提出了一种改进的轻量级YOLOv11电路板缺陷检测方法。首先,采用新型的轻量化网络StarNet作为特征提取网络,显著降低计算复杂度。同时,引入FasterNet以构造C3k2_Faster模块实现颈部网络轻量化,有效降低模型计算成本,提升特征提取能力和融合速度。此外,将损失函数替换为Inner-SIoU,引入尺度因子,控制不同尺寸的辅助边界框,加快模型收敛速度,提升回归精度。最后,为了实现算法在移动端和嵌入式场景下的轻量化应用需求,采用LAMP(layer-adaptive magnitude-based pruning)剪枝,在保证模型精度的同时对模型进行压缩,进一步降低了模型的参数量和大小。实验结果表明:改进后的模型权重文件大小仅为1.5 MB对比基线模型下降72.7%,同时参数量下降76.7%,精度提升3.4%。所提出的改进算法在缺陷检测任务中表现良好,便于在实际应用中部署。

Abstract

With the rapid development of modern electronic manufacturing industry, an improved lightweight YOLOv11 circuit board defect detection method was proposed in order to solve the problems of low precision and low detection efficiency of small target defect detection on the surface of printed circuit board. Firstly, a new lightweight network StarNet was used as the feature extraction network, which had significant computational complexity. At the same time, FasterNet was introduced to construct the C3k2_Faster module to achieve lightweight neck network, effective model calculation cost, and improve feature extraction capabilities and fusion speed. In addition, the loss function was replaced by Inner-SIoU, and a scale factor was introduced to control the auxiliary bounding boxes of different sizes to speed up the convergence of the model and improve the regression accuracy. Finally, in order to realize the lightweight application requirements of the algorithm in mobile and embedded scenarios, layer-adaptive magnitude-based pruning (LAMP) pruning was used to compress the model while ensuring the accuracy of the model, and the parameters and sizes of the model were further improved. The experimental results show that the weighted file size of the improved model is only 1.5 MB, which is 72.7% lower than that of the baseline model, while the calculation amount is 76.7% lower, and the accuracy is 3.4% higher. The proposed improved algorithm performs well in defect detection tasks and is easy to deploy in practical applications.

Graphical abstract

关键词

印刷电路板 / YOLOv11 / 缺陷检测 / 轻量化 / 损失函数 / 剪枝

Key words

printed circuit board / YOLOv11 / defect detection / lightweight / loss function / pruning

引用本文

引用格式 ▾

万莹莹, 陈锐. 基于改进YOLOv11的印刷电路板缺陷高精度轻量化检测方法[J]. 科学技术与工程, 2026, 26(12): 5172-5180 DOI:10.12404/j.issn.1671-1815.2503361

WAN Ying-ying, CHEN Rui. High-precision and Lightweight Detection Method for Printed Circuit Board Defects Based on Improved YOLOv11[J]. Science Technology and Engineering, 2026, 26(12): 5172-5180 DOI:10.12404/j.issn.1671-1815.2503361

登录浏览全文

4963

注册一个新账户忘记密码

随着现代电子产业的发展,蒸蒸日上的电子制造行业成为推动现代制造业变革中的核心部分,印刷电路板(printed circuit board, PCB)扮演着连接各种电子元件的枢纽角色,为各类设备提供线路连接和硬件支持^[1],与电子产品的可靠性息息相关。鉴于PCB制造的过程比较复杂,在生产过程中会出现许多无法预料的质量缺陷,如鼠咬、漏孔、开路、短路、毛刺等,这不仅会影响PCB的表观完整性,严重的甚至可能会影响PCB的性能而造成重大安全事故。基于此,在智能制造体系下进行精准的PCB缺陷检测在当今的生产制造业中尤为重要。早期的人工目视检测和线上仪器检测方法存在诸多限制^[2],如效率低下,依赖于人工操作,难以满足大规模工业生产需求。

传统的目标检测算法主要可划分为两大类:一类是先生成候选框,然后在这些候选框内识别物体,这类方法以R-CNN^[3](region-based convolutional neural network)和Faster R-CNN^[4](faster region-based convolutional neural network)为代表,通常称为两阶段方法(two-stage)。另一类方法则直接获取预测结果,无需中间的区域检测过程,以YOLO^[5-7](you only look once)、SDD^[8](single shot multiBox detector)为代表,称为单阶段方法(one-stage)。作为目标检测领域的示范性标杆,YOLO通过优化端到端训练系统可以实现实时检测,同时它以跨域特征泛化能力、更低的漏检误检率以及多场景适应性等成为近些年深度学习检测领域的核心研究载体。

近年来,在工业转型背景下,基于机器视觉的检测算法尤其是基于深度学习的缺陷检测算法, 克服了传统方法的缺陷,能够获取更深层次的特征,以其经济性优势和高效率成为PCB质检的主流方式。王龙业等^[9]提出一种改进的YOLO-PCB缺陷检测算法,在YOLO算法上引入注意力机制,增强特征图的通道特征;而且增加小目标检测层,提高网络对印刷电路板上小目标缺陷的检测能力,改进后的检测算法具有更强的特征提取融合能力和更高的检测精度。沈萍等^[10]针对嵌入式平台的部署需求,将MobileViT轻量化架构集成至YOLOv8的主干网络,有效压缩了模型参数量。同时引入三重注意力模块,显著提升了算法对缺陷特征的提取能力。廖鑫婷等^[11]针对现有PCB表面缺陷检测方法在实际应用中识别精度不足的问题,提出YOLOv5-TDD算法,该算法通过构建双向特征融合路径,强化了对微小缺陷目标的特征响应,并融合SE-SiLU(squeeze-and-excitation networks sigmoid linear unit)注意力模块,以提高网络对浅层特征中微小缺陷信息的感知能力,但对于在复杂背景下的电路板,可能使模型面临较高的误检风险。 Xiao等^[12]针对PCB缺陷检测任务设计了一种基于YOLOv7-tiny架构优化的CDI-YOLO检测算法,在网络主干中引入坐标注意力机制(coordinate attention, CA),有效增强了模型对缺陷特征的提取能力,同时采用深度可分离卷积(DSConv)结构,在保证检测效率的同时显著减少计算开销,最后引入内部交并比优化方法加速边界框回归过程。实验表明该算法在检测精度和速度方面均有提升,但在复杂环境下的模型稳定性仍需进一步优化。当前工业电路板缺陷检测系统对实时性与精度要求很高,所以现在的算法仍具有优化空间以实现更多的技术突破。

在深度学习的其他应用场景中,YOLO算法也展现了优越的通用性。刘春雷等^[13]设计了一种行人检测算法,通过引入RepVGG结构对YOLOv5的主干网络进行优化,并嵌入坐标注意力机制以提升特征提取能力。实验结果表明,该算法在识别准确度与系统稳定性两个关键指标上均展现出良好的性能。覃紫馨等^[14]则基于YOLO算法构建了一种用于探地雷达道路图像异常检测的模型,通过对损失函数进行改进、增强数据集以及实施标签平滑处理等措施,有效提升了模型性能且具备较高的检测精度。

针对以上问题,基于YOLOv11n的电路板缺陷检测算法进行了改进。具体改进为:一是采用新型的轻量化网络StarNet结构替代原来基线模型的特征提取网络,以此来增强对特征信息的提取能力,优化后的模型能够保证检测精度不受很大影响,同时解决原骨干网络复杂和计算资源受限的问题;二是结合FasterNet中的Faster Block模块取代C3k2中的Bottleneck,提出C3k2_Faster,这种操作可以有效地减少网络的冗余通道,提高计算效率;三是对回归损失函数进行改进,引入Inner-SIoU损失函数,通过引入不同尺寸的辅助边界框来提升回归精度,进一步提升了小目标检测的准确性;四是采用层自适应幅度剪枝算法(layer-adaptive magnitude-based pruning, LAMP),在保证检测精度的前提下,通过动态调整不同网络层的剪枝强度,使用通道剪枝对模型进行压缩和全局优化,实现模型存储与计算成本的双重优化,有效提升模型在边缘设备、嵌入式终端等资源受限场景下的部署效率与推理速度,为目标检测模型的轻量化落地应用提供了切实可行的技术方案。

1 YOLOv11模型

YOLO是在2015年提出的实时目标检测方法,YOLOv11是在2024年9月由位于美国和西班牙的Ultralytics团队开发的 YOLO系列实时目标检测器中的迭代版本,是在继承YOLOv8架构优势的基础上,通过多维度算法优化实现了精确度和推理速度的协同突破,标志着实时目标检测领域的前沿进展。

YOLOv11在架构和训练方法上引入了重大改进,通过精细的架构设计,能够在保持准确性和性能之间最佳平衡的同时,提供更快的处理速度。这一改进使得其能够更准确地检测目标,并在复杂任务中表现出色;采用改进过的骨干网络和颈部架构,通过引入新的卷积机制(如C3k2和C2PSA)和深度可分离卷积(DWConv),进一步提高了特征提取的效率和质量。颈部网络通过跨层信息交互机制实现多尺度特征融合,从而提升模型的多尺度检测性能。检测头部分采用轻量化设计,结合深度可分离卷积(DWConv)降低计算冗余,同步完成高精度分类与边界框回归。YOLOv11能够在边缘设备上更高效、更快地运行,从而满足更多实际应用场景的需求。这一特性确保了YOLOv11的最大灵活性,使其能够适用于不同平台和设备上的计算机视觉任务。

2 印刷电路板缺陷检测方法

以YOLOv11n为基线模型,克服在印刷电路板缺陷检测算法中存在的一些性能问题,改进后的YOLOv11的模型结构图如图1所示。

2.1 StarNet主干网络

聚焦工业缺陷检测中需要轻量化模型的需求,对骨干网络进行轻量化操作是比较常见的方法。但是既有的方案在模型复杂度、权重体积等层面仍存在显著的局限,因此难以满足产业级所需的最优轻量化需求。基于上述问题,将YOLOv11n的骨干网络替换为StarNet_050,利用它的快速特征提取模块解决传统轻量化方法模型的复杂度、体积和计算资源整体优化的技术难题。StarNet利用星型运算,在低维输入空间中有效捕获复杂、高维和非线性特征空间,这样设计旨在简化骨干网络的结构,在保证缺陷检测模型的精度不受影响的同时有效减少计算资源的消耗,实现模型的轻量化。

所提出的轻量化特征提取网络采用StarNet的4阶层次结构构建而成,重构了原YOLOv11n中的骨干网络,每阶段通过深度可分离卷积(DW-Conv)实施2倍下采样,并利用改进的演示块Demo进行特征提取,网络宽度逐级倍增,固定通道扩展因子为4,实现计算资源的精准分配。

在MobileNetv2结构的启发下,在每个块的末尾加入了深度卷积DW-Conv,demo演示块中将GELU 激活函数替换为ReLU6,同时将层归一化(batch normalization, BN)放置在深度卷积之后替换批归一化(layer normalization, LN),确保在推断期间可以进行算子融合。通过DWConv和标准卷积的多层堆叠,构建了轻量化特征提取网络,在印刷电路板缺陷检测的场景下模型能够更加高效。StarNet整体架构如图2所示。

2.2 优化C3k2结构

FasterNet是用于目标检测的轻量级高效神经网络。YOLOv11结构里的C3k2中的Bottleneck Block模块存在小目标的特征提取能力较低以及算力需求过高等缺陷,制约了模型部署的效果。针对以上问题,基于轻量化模型FasterNet提出C3k2_Faster模块,使用其中的Faster Block模块对基线模型的颈部进行改进。

当仅激活部分通道进行空间特征提取时,被忽略的通道会产生特征信息衰减,致使卷积运算退化为低通道数的标准卷积形态,进而降低特征提取能力。针对这一问题,Chen等^[15]提出了一种部分卷积(partitial convolution, PConv)方法,并基于此进一步提出了 FasterNet神经网络,有效地减少了冗余的计算与内存访问,使模型大幅轻量化,保证了检测性能,模型在GPU和CPU上的推理速度均有提高。为了提高电路板缺陷检测算法的实时性,引入FasterNet网络,对原来的C3k2结构简化,提出了C3k2_Faster模块,采用并行双分支设计,一个支路直接传递给Concat,另一个支路经过Faster Block的处理,二者的结果经过维度拼接经过Conv层形成闭环。此模块的加入会减少计算复杂度,大大提升了所有通道信息的使用效率,并减少参数量。将其与YOLOv11n颈部网络进行融合,改进后的C3k2_Faster模块网络结构如图3所示。

2.3 改进的损失函数

在目标检测模型中,损失函数^[16]是至关重要的组件,它的设计直接关系到模型的检测效果。在 YOLOv11模型中,CIoU(complete-IoU) 损失函数^[17]作为其基础回归损失函数,有效解决了传统IoU(intersection over union)损失函数在处理不规则形状目标时可能遇到的梯度消失问题。CIoU损失在定义边界框长宽比时采用硬性耦合建模,在几何度量时,其定义的宽高比惩罚项可能会对低置信度样本过度惩罚,缺乏对样本质量的动态判别能力,制约着模型的泛化能力。其计算过程为

(1)CIoU=IoU-$\frac{{d}^{2}}{{c}^{2}}$-αν

式(1)中:d为预测框与真实框中心点的距离;c为它们最小外接矩形对角线的长度;α和ν分别为平衡系数、宽高比惩罚项。

然而,对于有效像素少且边缘模糊的小目标,如电路板制造过程中产生的各种细微缺陷,CIoU很难充分捕捉其特性,从而导致定位精度的下降。因此,将 CIoU 替换成Inner-SIoU(inner section over union),即一种基于辅助边框的IoU损失,引入了比例因子(r_atio),它对应的是尺度因子,通常取值范围为[0.5,1.5]。鉴于SIoU通过计算预测框和目标框之间的角度差异来优化边界框的定位,进而提升目标检测的准确性,受到 Inner-IoU 损失函数^[18]引入尺度因子用于调控辅助边框在计算损失时的尺度范围的启发,在SIoU损失的基础上,形成了Inner-SIoU,结合了辅助边界框的概念进行优化,通过引入不同尺寸的辅助边界框来提升回归精度。改进后的损失函数Inner-SIoU的定义为

(2)${b}_{\mathrm{l}}^{\mathrm{g}\mathrm{t}}$=${x}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$-$\frac{{w}^{\mathrm{g}\mathrm{t}}{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$, ${b}_{\mathrm{r}}^{\mathrm{g}\mathrm{t}}$=${x}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$+$\frac{{w}^{\mathrm{g}\mathrm{t}}{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$

(3)${b}_{\mathrm{t}}^{\mathrm{g}\mathrm{t}}$=${y}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$-$\frac{{h}^{\mathrm{g}\mathrm{t}}{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$, ${b}_{\mathrm{b}}^{\mathrm{g}\mathrm{t}}$=${y}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$+$\frac{{h}^{\mathrm{g}\mathrm{t}}{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$

(4)b_l=x_c-$\frac{w{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$, b_r=x_c+$\frac{w{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$

(5)b_t=y_c-$\frac{w{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$, b_b=y_c+$\frac{w{r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}}{2}$

(6)inter=[min(${b}_{\mathrm{r}}^{\mathrm{g}\mathrm{t}}$,b_r)-max(${b}_{\mathrm{l}}^{\mathrm{g}\mathrm{t}}$,b_l)][min(${b}_{\mathrm{b}}^{\mathrm{g}\mathrm{t}}$,b_b)-max(${b}_{\mathrm{t}}^{\mathrm{g}\mathrm{t}}$,b_t)]

(7)union=w^gth^gt${r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}^{2}$+wh${r}_{\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}^{2}$-inter

(8)IoU^inner=$\frac{\mathrm{i}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{r}}{\mathrm{u}\mathrm{n}\mathrm{i}\mathrm{o}\mathrm{n}}$

(9)L_Inner-SIoU=L_SIoU+IoU-IoU^inner

式中:b^gt为GT框;b为锚框;(

${x}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$

${y}_{\mathrm{c}}^{\mathrm{g}\mathrm{t}}$

)为GT框和GT框内部的中心点;(x_c,y_c)为锚框和内部锚框的中心点;w^gt和h^gt分别为GT框的宽度和高度;w和h分别为锚框的宽度和高度;r_atio为尺度因子;inter为辅助边界框与辅助锚框相交区域;union为辅助边界框与辅助锚框合并区域;L_Inner-SIoU为Inner-SIoU损失函数;L_SIoU为SIoU损失函数。

改进后的损失函数部分,其核心思想在于通过引入不同尺寸的辅助边界框来提升回归精度。在计算过程中,首先根据预测框和真实框之间的IoU值(即重叠度)对样本进行区分。对于IoU较高的样本,由于预测框和真实框的重叠度较大,通常意味着定位已经较为精准,因此使用较小的辅助框来加速回归过程,避免过度调整。相反,对于IoU较低的样本,意味着预测框与真实框的重叠度较小,定位较为不准确,因此使用较大的辅助框来提供更多的空间范围,帮助模型进行更加有效的回归调整。优化后的损失函数在PCB微小缺陷检测任务上表现良好,实现了目标检测算法的性能改进,显著增强了模型在工业场景下的泛化能力。

2.4 模型剪枝

经过前文初始模型轻量化后,本文模型仍然存在两个问题:一是网络结构复杂导致的参数冗余,二是模型较大限制嵌入式设备的适配性。为了突破这些局限,在尽量保证PCB缺陷检测效果的前提下,进一步引入了通道剪枝技术,对模型进行压缩和优化,避免了超参数调整带来的人力物力的消耗。

LAMP^[19](layer-adaptive magnitude-based pruning) 是一种深度学习模型剪枝算法,通过选择性地去除神经网络中不重要的参数来减少模型的复杂性和计算成本。这种方法是一种全局性的修剪策略,LAMP分数不需要调整其他的超参数,只需要调整加速比,计算开销很小。其核心思想是提出分层自适应剪枝技术,根据每一层参数的幅值自适应地进行剪枝,实现卷积核的精准稀疏化。具体来说就是基于各层的权重幅值分布,动态调整预设的剪枝阈值,然后标记待剪枝的连接,将绝对值较小的权重归零处理同时保留其余的权重,最后对剪枝后的稀疏化模型进行微调,使其恢复或提升剪枝前的性能。LAMP分数的计算公式为

(10)

$score(\mathrm{u};\mathrm{W})=\frac{(\mathrm{W}{\left[\mathrm{u}\right])}^{2}}{\sum _{\nu \ge u}(W{\left[v\right])}^{2}}$

(11)(W[u])²>(W[v])²⇒score(u;W)>score(v;W)

式中:W为权重;u、v为权重大小的索引;W[u]和W[v]分别为索引u、v映射的权重项;式(10)中,分子项(W[u])²为目标连接的权重幅度的平方;分母项

$\sum _{v\ge u}(W{\left[v\right])}^{2}$

为该层所有后续连接的权重幅度的平方总和。

由于权重按照索引顺序递增排列,结合式(10)的推导可知,权重项与其对应的LAMP分数呈正相关,即权重项越大,其连接的LAMP分数就越高。

LAMP剪枝的流程大致包括4个阶段:首先初始化训练好的模型权重;其次计算出LAMP分数,即同一层中连接的所有权重幅值的平方之和;然后根据LAMP分数,基于预设的加速比对模型修剪, 并约束每层至少保留一个通道以防止模型崩溃;最后对修剪后的模型微调,恢复可能造成的性能损失。LAMP分数的修剪方式为

(12)$\left[\begin{array}{l}{u}_{1}\\ {u}_{2}\\ {u}_{3}\\ ︙\end{array}\right]\left[\begin{array}{l}{\nu }_{1}\\ {\nu }_{2}\\ {\nu }_{3}\\ ︙\end{array}\right]$⇒$\left[\begin{array}{l}\frac{{u}_{1}^{2}}{{u}_{1}^{2}}\\ \frac{{u}_{1}^{2}}{{u}_{1}^{2}+{u}_{2}^{2}}\\ \frac{{u}_{1}^{2}}{{u}_{1}^{2}+{u}_{2}^{2}+{u}_{3}^{2}}\\ ︙\end{array}\right]\left[\begin{array}{l}\frac{{\nu }_{1}^{2}}{{\nu }_{1}^{2}}\\ \frac{{\nu }_{1}^{2}}{{\nu }_{1}^{2}+{\nu }_{2}^{2}}\\ \frac{{\nu }_{1}^{2}}{{\nu }_{1}^{2}+{\nu }_{2}^{2}+{\nu }_{3}^{2}}\\ ︙\end{array}\right]$ ⇒ $\left[\begin{array}{ll}\frac{{u}_{1}^{2}}{{u}_{1}^{2}}& \frac{{\nu }_{1}^{2}}{{\nu }_{1}^{2}}\\ \frac{{u}_{1}^{2}}{{u}_{1}^{2}+{u}_{2}^{2}}& \mathrm{\varnothing }\\ \mathrm{\varnothing }& \mathrm{\varnothing }\\ ︙& ︙\end{array}\right]$

式(12)中:u_i、ν_i分别为网络第i个通道的特征向量(或其权重参数)的幅度平方值,是计算剪枝优先级的基础数据;∅表示空集,代表被剪枝掉的参数位置。

3 实验及结果分析

3.1 实验环境与数据集

实验操作平台和环境如表1所示。实验数据集来自北京大学智能机器人开放实验室的PCB缺陷数据集^[20],该数据集包含693张图像及相应文件,由于该数据集样本过少,模型可能会因为数据集样本数量较少而引发过拟合,导致泛化能力和抗噪能力变差,因此本文实验在公开数据集的基础上进行扩充,对原始 PCB图像进行角度旋转、亮度改变、裁剪等方式进行数据增强,实现数据集样本数量的扩充,增强模型的鲁棒性和泛化能力。增强后数据集样本量达到1 460张,使用的数据集涵盖6种缺陷类型:鼠咬(mouse bite)、开路(open)、漏孔(pin hole)、短路(short)、毛刺(spur)、杂铜(spurious copper)。然后将数据集按照7∶2∶1的比例划分为训练集、验证集和测试集,样本容量分别为1 022、292和146。

在数据预处理阶段,依据YOLOv11n的标准配置,将所有输入图像统一设置为640×640。模型训练采用300个完整epoch,并在实验过程中结合性能评估结果,采取以下优化措施:将batch size设定为16,同时受限于硬件资源,将数据加载线程数workers调整为4。优化方法选择随机梯度下降(stochastic gradient descent, SGD),其关键参数配置如下:初始学习速率0.01,权重衰减0.000 5,动量参数0.937。该参数组合的设计目标包括:①有效抑制模型过拟合趋势;②提升训练过程的收敛效率;③增强模型在未见数据上的泛化性能。

3.2 消融实验

为了验证模型各个改进点的实际优化效果,设计了消融实验来对模型进行分析。在这些实验中,需要确保实验环境和配置的一致性,然后逐步将改

进后的模块引入基线模型中,以此评估每个模块对模型检测精度、计算量以及检测速度的具体影响。消融实验从多维度量化评估,将模型的参数量Parameters(单位:10⁶)、计算量GFLOPs、模型的权重Weights(单位:MB)、 mAP50和mAP50-95作为评价指标。其中,mAP50为IoU阈值为0.5时的平均精度均值,mAP50-95为在IoU阈值为0.5~0.95(每隔0.05取一个值)范围内多个阈值下的平均精度均值。实验结果如表2所示。

由表2可知,实验2、实验3、实验4、实验5对比基线模型的mAP50分别提升了0.7%、1.7%、3.3%。而且相较于基线模型,最终本文剪枝后的模型的mAP50提升3.4%的同时实现参数量下降了76.7%,计算量降低了63.5%,最终的模型权重大小仅为基线模型的27.3%。

基于消融实验的结果(表2),通过构建归一化混淆矩阵和热力图来分析评估基线模型与改进后模型的性能差异。图4 (a)和图4 (b)分别为改进前和改进后模型的归一化混淆矩阵。其中,混淆矩阵的行代表真实类别(True),列代表预测类别(Predicted), 右侧的色阶指示条通过色彩梯度呈现分类准确度指标,其色相深度与判读精度呈正相关分布特征, 实验结果表明,基于PCB数据集上不同缺陷的识别效果均呈现显著提升。

图5(a)和图5(b)分别为基线模型热力图和最终改进模型热力图。图5所示的对比结果表明,改进后的模型在六类缺陷样本上的响应较基线模型提升显著。同时,对比分析发现,基线模型在部分缺陷区域存在色阶不均匀现象,而改进后的模型各类缺陷的色阶相对均衡分布。热力图可视化对比分析表明,优化改进后的模型对缺陷周围的区域呈现出更高的敏感度,漏检率显著降低,对比原模型有更好的检测效果和泛化能力。

3.3 不同剪枝加速比对比试验

面向移动端及嵌入式设备的计算资源约束,对前部分改进过的模型实施基于幅度的层自适应稀疏化剪枝(LAMP)。通过设定不同的加速比speed_up,分析对比不同加速比下的模型的性能,从而选出在实际应用中综合性能最好的剪枝模型。其中加速比=(剪枝前模型计算量)/(剪枝后模型计算量),也就是分别进行2倍压缩和2.5倍压缩。如表3所示,加速比分别设置为2.0和2.5进行实验。

根据表3所示的结果可以得出,当speed_up超过2.0趋向于2.5时,模型的检测精度出现了衰减(较原模型下降0.8%),虽然实现了模型大小的缩减,但这可能会导致关键特征丢失、泛化性能下降。故综合分析模型的检测精度和模型大小,最终选定speed_up=2.0的剪枝模型,该结果表明,本文方法在去除模型的冗余部分具有显著优势。

3.4 与主流模型的对比实验

为了对比不同模型在电路板缺陷检测领域的效果,验证所提出的改进算法的有效性,选取YOLOv5n、YOLOv8n、YOLOv9t、YOLOv10n、YOLOv12n等在相关领域具有代表性的模型与本文的YOLOv11n轻量化改进模型在同一数据集上进行对比,实验结果如表4所示。

表4的对比实验结果表明,相较于列出的代表性模型,本文模型复杂度更低,检测精度、参数量、计算量、模型权重大小等评估指标均占据优势,所以在电路板缺陷检测任务中,本文模型通过参数量和计算量的协同优化,在保证检测精度的前提下,性能显著优于其他算法。

4 结论

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Chen Y, Ding Y, Zhao F, et al. Surface defect detection methods for industrial products: a review[J]. Applied Sciences, 2021, 11(16): 7657.

[2]	Dong J Y, Lü W T, Bao X M, et al. Research progress of the PCB surface defect detection method based on machine vision[J]. Journal of Zhejiang Sci-Tech University (Natural Sciences Edition), 2021, 45(3): 379-389.

[3]	He K, Gkioxari G, Dollár P, et al. Mask R-CNN[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42: 386-397.

[4]	Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.

[5]	Wang C Y, Bochkovskiy A, Liao H Y, et al. YOLOv7: trainable bag-of-freebies sets new state-ofthe-art for real-time object detectors[J]. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2022: 7464-7475.

[6]	Reis D, Kupec J, Hong J, et al. Real-time flying object detection with YOLOv8[J]. arXiv Preprint, arXiv: 230509972, 2023.

[7]	Ge Z, Liu S, Wang F, et al. YOLOx: Exceeding YOLO series in 2021[J]. arXiv Preprint, arXiv:210708430, 2021.

[8]	Lü Z, Jin H, Zhen T, et al. Small object recognition algorithm of grain pests based on SSD feature fusion[J]. IEEE Access, 2021, 9: 43202-43213.

[9]	王龙业, 黄鋆, 曾晓莉. 基于 YOLO-PCB 的印刷电路板裸板缺陷检测[J]. 科学技术与工程, 2024, 24(15): 6338-6345.

[10]	Wang Longye, Huang Jun, Zeng Xiaoli. Bare board defect detection of PCB based on YOLO-PCB[J]. Science Technology and Engineering, 2024, 24(15): 6338-6345.

[11]	沈萍, 李想, 杨宁, 等. 基于三重注意力的轻量级 YOLOv8 印刷电路板缺陷检测算法[J]. 微电子学与计算机, 2024, 41(4): 20-30.

[12]	Shen Ping, Li Xiang, Yang Ning, et al. Lightweight YOLOv8 PCB defect detection algorithm based on triple attention[J]. Microelectronics & Computer, 2024, 41(4): 20-30.

[13]	廖鑫婷, 张洁, 吕盛坪. 融合浅层特征和注意力机制的 PCB 缺陷检测方法[J]. 计算机集成制造系统, 2024, 30(3): 1092-1104.

[14]	Liao Xinting, Zhang Jie, Lü Shengping. PCB defect detection combining shallow features and attention mechanism[J]. Compu-ter Integrated Manufacturing System, 2024, 30(3): 1092-1104.

[15]	Xiao G, Hou S, Zhou H. PCB defect detection algorithm based on CDI-YOLO[J]. Scientific Reports, 2024, 14(1): 7351.

[16]	刘春雷, 李志华, 王超, 等. 一种融合 RepVGG 和 YOLOv5 的行人检测方法[J]. 科学技术与工程, 2023, 23(7): 2945-2951.

[17]	Liu Chunlei, Li Zhihua, Wang Chao, et al. A pedestrian detection method of integrated RepVGG and YOLOv5[J]. Science Technology and Engineering, 2023, 23(7): 2945-2951.

[18]	覃紫馨, 姜彦南, 徐立, 等. 基于 YOLO 算法的探地雷达道路图像异常自动检测[J]. 科学技术与工程, 2023, 23(27): 11505-11512.

[19]	Qin Zixin, Jiang Yannan, Xu Li, et al. Automatic detection of anomalies in GPR images based on YOLO algorithm[J]. Science Technology and Engineering, 2023, 23(27): 11505-11512.

[20]	Chen J, Kao S, He H, et al. Run, Don't walk: chasing higher FLOPS for faster neural networks[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver, BC: IEEE, 2023: 12021-12031.

[21]	Hu D, Yu M, Wu X, et al. DGW-YOLOv8: a small insulator target detection algorithm based on deformable attention backbone and WIoU loss function[J]. IET Image Processing, 2023, 18(4): 1096-1108.

[22]	Zheng Z, Wang P, Ren D, et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation[J]. IEEE Transactions on Cybernetics, 2021, 52(8): 8574-8586.

[23]	Zhang H, Xu C, Zhang S. Inner-IoU: more effective intersection over union loss with auxiliary bounding box[J]. arXiv Preprint, arXiv: 2311.02877, 2023.

[24]	汤伟博, 方强, 李沛根, 等. 基于RSD-YOLO的无人机航拍图像的小目标检测[J/OL]. (2024-12-10)[2025-04-16]. https://link.cnki.net/doi/10.19678/j.issn.1000-3428.0070151.

[25]	Tang Weibo, Fang Qiang, Li Peigen, et al. RSD-YOLO-based small target detection in UAV aerial images[J/OL]. (2024-12-10)[2025-04-16]. https://link.cnki.net/doi/10.19678/j.issn.1000-3428.0070151.

[26]	王健, 肖迪, 冯李航, 等. 基于改进 YOLOv8s的 PCB 小目标缺陷检测模型[J]. 计算机工程与应用, 2025, 61(15): 288-297.

[27]	Wang Jian, Xiao Di, Feng Lihang, et al. PCB small target defect detection model based on improved YOLOv8s[J]. Computer Engineering and Applications, 2025, 61(15): 288-297.