基于增强轻量化YOLO的印刷电路板表面缺陷检测方法

王大虎; 张龙斐; 张鹏祥; 常进超

doi:10.12404/j.issn.1671-1815.2506647

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10494-10505 DOI: 10.12404/j.issn.1671-1815.2506647

自动化技术、计算机技术

基于增强轻量化YOLO的印刷电路板表面缺陷检测方法

作者信息 +

An Enhanced Lightweight YOLO-based Method for Surface Defect Detection in Printed Circuit Boards

Author information +

文章历史 +

摘要

针对印刷电路板(printed circuit board, PCB)表面缺陷检测任务中,现有模型难以同时兼顾检测精度、模型体积与推理速度的问题,提出了一种基于增强轻量化YOLO(enhanced lightweight YOLO, ELYOLO)的高精度PCB表面缺陷检测方法。首先,根据GhostNet(ghost network)和解耦全连接注意力机制(decoupled fully-connected attention, DFCA),提出了GLA (ghost long-range attention)模块,在轻量化主干网络(backbone)的同时保持精度;然后,根据线性注意力机制,在主干网络末端设计了MLLA(Mamba-inspired linear attention)模块,精确捕获全局上下文信息;再次,根据GSConv(grouped and shuffled convolution)和特征路径聚合,提出了一种高效颈部网络(neck),在降低计算瓶颈的同时优化了多尺度特征融合的效果。最后,采用UIoU(unified intersection over union)作为边界框回归损失函数,提升了模型的定位精度。实验结果表明:在公开PCB缺陷数据集上,相较于基线模型YOLOv11n,所提的ELYOLO模型在参数量和计算量分别降低了7.4%和17.5%,mAP50和mAP50-95分别提升了3.0和2.3个百分点,同时表现出优异的泛化能力,证明了ELYOLO可有效平衡检测精度、模型体积与推理速度。

Abstract

To address the issue that existing models struggle to simultaneously balance detection accuracy, model volume, and inference speed in printed circuit board (PCB) surface defect detection tasks, a high-precision PCB surface defect detection method based on enhanced lightweight YOLO (ELYOLO) was proposed. Firstly, based on ghost network (GhostNet) and decoupled fully-connected attention (DFCA), a ghost long-range attention (GLA) module was proposed to lighten the backbone network while maintaining accuracy. Then, according to the linear attention mechanism, a Mamba-inspired linear attention (MLLA) module was designed at the end of the backbone network to accurately capture global contextual information. Secondly, based on grouped and shuffled convolution (GSConv) and feature path aggregation, an efficient neck network was proposed, which optimized the effect of multi-scale feature fusion while reducing computational bottlenecks. Finally, unified intersection over union (UIoU) was adopted as the bounding box regression loss function to improve the localization accuracy of the model. Experimental results indicate that on the public PCB defect dataset, compared with the baseline model YOLOv11n, the number of parameters and computational cost of the proposed ELYOLO model are reduced by 7.4% and 17.5%, respectively, while mAP50 and mAP50-95 are increased by 3.0 and 2.3 percentage points, respectively. The model also demonstrates excellent generalization ability, proving that ELYOLO can effectively balance detection accuracy, model volume, and inference speed.

Graphical abstract

关键词

印刷电路板 / ELYOLO / 小目标检测 / 注意力机制 / 卷积神经网络(CNN)

Key words

printed circuit board / ELYOLO / small-object detection / attention mechanism / convolutional neural network (CNN)

引用本文

引用格式 ▾

王大虎, 张龙斐, 张鹏祥, 常进超. 基于增强轻量化YOLO的印刷电路板表面缺陷检测方法[J]. 科学技术与工程, 2026, 26(24): 10494-10505 DOI:10.12404/j.issn.1671-1815.2506647

WANG Da-hu, ZHANG Long-fei, ZHANG Peng-xiang, CHANG Jin-chao. An Enhanced Lightweight YOLO-based Method for Surface Defect Detection in Printed Circuit Boards[J]. Science Technology and Engineering, 2026, 26(24): 10494-10505 DOI:10.12404/j.issn.1671-1815.2506647

登录浏览全文

4963

注册一个新账户忘记密码

印刷电路板(printed circuit board, PCB)是支撑现代电子信息产业的核心基石^[1]。当前,中国已成为全球最大的PCB生产基地,产值占比超过全球总量的50%。随着工业4.0和《中国制造2025》的深入推进,中国PCB行业正经历从“规模扩张”向“高质量、高精密、柔性化”转型的关键期。尤其是高密度互连板和多层板的需求激增,使得电路走线愈发精细,传统的依赖人工肉眼检测或简单模板匹配的自动光学检测设备^[2],在面对微小、复杂的缺陷如细微开路、针孔、毛刺时,误检率与漏检率已难以满足现代产线近乎“零缺陷”的严苛要求。

传统的PCB缺陷检测方法主要有人工目视检测和自动光学检测等技术。然而,人工检测不仅效率低下、成本高昂,且检测结果易受主观因素影响,难以保证一致性^[3]。自动光学检测虽然提升了效率,但在面对背景复杂、检测特征多样化的PCB图像时,往往存在算法鲁棒性不足、对微小缺陷漏检率较高等问题,难以满足日益严苛的工业质检标准^[4]。

以深度学习为代表的人工智能技术为工业缺陷检测带来了革命性的突破^[5]。基于卷积神经网络(convolutional neural network, CNN)的目标检测算法已成为主流方法^[6]。目标检测算法分为一阶段检测算法如单检测多框探测器(single shot multibox detector,SSD)^[7]和YOLO(you only look once)系列算法,以及两阶段检测算法例如快速区域卷积神经网络(faster region-based convolutional neural network,Faster-RCNN)^[8]等。其中,以YOLO系列为代表的单阶段检测器^[9],因其出色的检测速度和精度平衡,得到了广泛应用。

Chen等^[10]提出一种Transformer-YOLO网络检测模型,采用Swin Transformer作为特征提取网络^[11],可有效地建立图像特征之间的依赖关系和长序列的全局信息的关注能力,在公开的PCB缺陷检测数据集上实现了较高的精度,但推理速度缓慢。Wei等^[12]提出了一种基于YOLOv8n的PCB-YOLO模型,该模型通过标准卷积与标准模块减少了模型的体积,并融合注意力机制^[13],同时优化了损失函数,最终在精度和性能开销上均有所提升,但误检率仍有提升空间。杨永跃等^[14]提出了一种改进YOLOv5模型的目标检测方法,通过引入适配小尺寸缺陷的P2(feature pyramid level 2)检测头(Head),提升对微小PCB缺陷的检测能力。王龙业等^[15]基于YOLOv5s算法,引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)重构颈部网络,并增加小目标检测层,显著提升了召回率,但在计算量上有所增加。

此外,在更广泛的小目标检测领域,针对复杂背景干扰和特征丢失问题的解决思路也为PCB缺陷检测提供了重要参考。常高宇等^[16]在无人机小目标检测中,通过设计SPD-Conv(space-to-depth convolution)模块减少细粒度信息丢失,并结合C-SimAM(convolution simple attention module)注意力和WIoU(wise intersection over union)损失函数,有效解决了小目标聚集和特征模糊问题。针对工业巡检中的光伏组件缺陷,周宇辉等^[17]提出的RD-YOLO模型引入了MultiSENet (multi-scale channel squeeze-and-excitation network) 模块和RDCBAM (recursive depthwise separable convolutional block attention module)模块,在抑制复杂背景干扰的同时显著提升了微小缺陷的检测精度。在轻量化设计方面,程擎等^[18]通过使用MobileNetv3替换主干网络并结合PConv(partial convolution)卷积,在大幅降低模型参数量(减少约70%)的同时,利用SPD-Conv和WIoU保持了对微小目标的高精度检测。这些研究表明,通过注意力机制、损失函数优化及特征提取模块的改进,是解决复杂背景下微小目标检测难题的有效途径。

综上所述,现有的PCB缺陷检测模型仍面临精度与效率平衡,复杂背景检测混淆率高,小目标缺陷漏检等挑战。鉴于此,在YOLOv11模型的基础上,提出了一种增强轻量化YOLO(enhanced lightweight YOLO,ELYOLO)的PCB表面缺陷检测模型。首先,在GhostNet(ghost network)的基础上,根据深度可分离卷积提出GLA (ghost long-range attention)模块,通过廉价操作提取PCB图像特征,同时并行运算解耦全连接注意力机制(decoupled fully-connected attention,DFCA),实现高效的特征提取,轻量化主干网络。其次,针对PCB图像中电路走线的长程规律性,引入受Mamba启发的线性注意力机制(Mamba-inspired linear attention,MLLA)模块,相比于传统的自注意力机制,MLLA在拥有线性计算复杂度的同时,能更精准地提取全局上下文信息,有效提升了模型对不同尺度目标的识别鲁棒性。再针对颈部网络的计算瓶颈,根据GSConv(grouped and shuffled convolution)和路径聚合网络(path aggregation network,PANet),提出一种高效颈部网络,在显著降低计算负载的同时,有效促进多尺度特征的深度融合。最后,为提升对PCB微小缺陷的定位准确性,采用具有独特动态权重分配机制的UIoU(unified intersection over union)作为损失函数,实现更精细的边界框回归,优化定位精度。ELYOLO在算法上实现了模型轻量化与精度之间的平衡,降低了模型在边缘设备部署时的硬件资源占用,为PCB制造产业的缺陷检测环节提供了良好的工程技术参考。

1 YOLOv11总体网络结构

YOLO系列算法是单阶段目标检测领域的杰出代表,其在检测速度与精度之间取得了卓越平衡。YOLOv11作为该系列的最新成果,继承并优化了前代的核心思想,通过改进模型架构与训练策略,实现了更优的性能表现,使其成为PCB缺陷检测的有力基线模型。YOLOv11的整体架构如图1所示。

YOLOv11的主干网络负责核心的特征提取,其提出的C3k2(cross stage partial bottleneck)模块是核心,虽然特征提取能力有所增强,但其仍依赖于多层标准卷积的堆叠。对于需要在资源受限的设备上进行实时部署的工业PCB缺陷检测任务而言计算成本较高。YOLOv11在主干网络的末端新增了C2PSA(cross stage partial with pyramid split attention)模块,该模块融合了跨阶段部分连接结构与部分自注意力(partial self-attention, PSA)机制,提升模型的特征提取能力。C2PSA中的部分自注意力机制虽然引入了长距离依赖建模,但其上下文信息捕获能力仍然有限。在背景复杂的PCB图像中,缺陷特征(如微小断路)可能与正常的电路纹理高度相似,这些复杂的相似特征需要模型具备更强大的全局上下文建模能力来准确区分。颈部网络采用PANet结构进行多尺度特征融合,以增强模型对不同尺寸目标的检测能力,但依然堆叠了多个卷积,造成了模型计算冗余。

YOLOv11引入了新的检测头,将分类和回归任务分离,提升了推理速度,但其核心的边界框回归损失函数在优化过程中对所有样本平等计算,导致定位精度不高,从而在高定位精度要求的PCB微小缺陷检测中表现不佳。

综上所述,尽管YOLOv11是一个性能强大的基线模型,但其在轻量化、全局特征建模以及高精度定位方面仍存在优化空间。因此,为解决上述问题,提出一种增强轻量化YOLO的PCB缺陷检测模型,即ELYOLO。

2 ELYOLO总体网络结构

为解决PCB检测中复杂背景检测混淆率高,精度与效率平衡,小目标缺陷漏检等挑战,提出了一种ELYOLO模型。如图2所示,首先提出融合GhostNet与注意力机制的GLA模块,该模块通过深度可分离卷积和廉价操作,并行运算DFCA,在保证高效特征提取能力的同时,显著轻量化了主干网络。其次,为增强模型对复杂场景的全局理解能力,设计了基于线性注意力机制的MLLA模块,将其置于主干网络末端,以实现高效的全局信息交互,有效提升了模型对多尺度目标识别的鲁棒性。在颈部网络架构上,提出融合GSConv的高效颈部网络,通过结合分组与混洗卷积和特征路径聚合,在显著降低计算负载的同时,有效促进了多尺度特征的深度融合。最后,为保证PCB微小缺陷的定位准确性,采用具有独特动态权重分配机制的UIoU损失函数,实现更精细的边界框回归,显著提升了微小缺陷的定位准确性。

2.1 GLA:轻量化特征提取模块

ELYOLO的主干网络负责从输入的640×640图像中提取多尺度特征。为实现模型轻量化,提出了GLA模块。GLA模块首先引入了GhostNet模块,从而达到轻量化效果,之后加入DFCA模块来增强特征表达能力确保精度。

GhostNet模块结构如图3^[19]所示,在维持相似特征表达能力的前提下,实现了模型的轻量化。然而,Ghost操作主要依赖于局部卷积(如3×3或5×5的深度卷积)生成,这限制了其感受野,使其难以捕捉长距离的空间依赖关系,导致特征表达能力下降。GLA模块针对这一问题进行了关键改进,引入了DFCA。

DFCA可以增强廉价操作生成的特征图的长距离信息捕获能力,同时保持轻量化的特性。传统的自注意力机制在应用于二维特征图时,其计算复杂度与特征图尺寸的平方,即O(H²W²)成正比,计算过于复杂。DFCA通过将一个二维全连接层分解为两个连续的一维全连接层,一个沿高度方向聚合信息,另一个沿宽度方向聚合信息来解决此问题,特征图在这两个方向上的计算是相互解耦的,其计算公式可表示为

(1)

$\begin{array}{l}\mathrm{a}\text{'}{}_{hw}=\stackrel{H}{\sum _{h\text{'}=1}}{F}_{h,h\text{'}w}^{H}☉{z}_{h\text{'}w},　h=\mathrm{1,2},\dots,H;\\ w=\mathrm{1,2},\dots,W\end{array}$

式(1)中:a'_hw为垂直方向生成的特征图;z_h'w为位于第h'行、第w列的向量;

${F}_{\mathrm{h},\mathrm{h}\text{'}\mathrm{w}}^{H}$

为垂直方向全连接层的可学习权重矩阵;☉为相乘。

Z∈R^H^×^W^×^C,其中H、W、C分别为特征图的高度、宽度和通道数,该特征图可视为H×W个特征向量z_hw∈R^C的集合,Z={z₁₁,z₁₂,…,z_HW}。式(1)描述了沿垂直方向(高度维度)聚合信息的过程。

(2)

$\begin{array}{l}{a}_{\mathrm{h}\mathrm{w}}=\stackrel{W}{\sum _{w\text{'}=1}}{F}_{w,hw\text{'}}^{W}☉a{\text{'}}_{hw\text{'}},　h=\mathrm{1,2},\dots,H,\\ w=\mathrm{1,2},\dots,W\end{array}$

式(2)中:

${F}_{\mathrm{w},\mathrm{h}\mathrm{w}\text{'}}^{W}$

为水平方向全连接层的可学习权重矩阵;a_hw为最终输出的注意力特征图。式(2)描述了沿水平方向(宽度维度)聚合信息的过程。

为了处理具有不同分辨率的输入图像,采用适配特征图大小解耦的卷积核,即分别使用两个大小为1×K_H和K_W×1的卷积核进行运算。DFCA机制如图4所示,这种分解将计算复杂度从O(H²W²)显著降低至O(H²W+HW²),使其能够在不引入过多计算开销的前提下,为特征图中的每个像素点建立全局感受野。

GLA结构图如图5所示,通过将DFCA应用于Ghost模块扩展后的特征之上,GLA不仅继承了Ghost模块的轻量化优势,还弥补了其在长距离依赖建模上的不足,为后续网络层提供了语义信息更丰富、特征表达能力更强的特征。

2.2 MLLA:Mamba启发的线性注意力模块

在主干网络的末端,为捕获全局上下文信息以应对复杂场景和PCB板上大面积连续缺陷的识别,本文引入了MLLA模块来平衡效率与性能之间的矛盾,其通过线性注意力降低计算复杂度,通过并行视觉架构以及宏观块来获取全局上下文信息。

标准自注意力机制通过Softmax函数计算注意力权重^[20],其计算公式为

(3)

${y}_{i}=\stackrel{N}{\sum _{j=1}}\frac{\mathrm{e}\mathrm{x}\mathrm{p}({Q}_{i}{{K}^{\mathrm{T}}}_{j}/\sqrt{d})}{\stackrel{N}{\sum _{j=1}}\mathrm{e}\mathrm{x}\mathrm{p}({Q}_{i}{{K}^{\mathrm{T}}}_{j}/\sqrt{d})}{V}_{j}$

式(3)中:Q、K、V分别为查询矩阵、键矩阵和值矩阵;i,j分别为当前输入token的行列序号;y_i为注意力机制的输出向量;

$\sqrt{d}$

为缩放因子;d为特征向量维度;N为输入序列的长度。

标准自注意力机制计算复杂度达到O(N²),在处理图像时计算成本过高。MLLA的核心是采用线性注意力^[21]来将复杂度降至线性级别O(N)。线性注意力通过替换非线性的Softmax函数,并利用矩阵乘法的结合律改变计算顺序,其并行计算公式为

(4)

${y}_{i}=\frac{\mathrm{\varphi }\left({Q}_{i}\right)\left[\stackrel{N}{\sum _{j=1}}\varphi \right({K}_{j}{)}^{\mathrm{T}}{V}_{j}]}{\varphi \left({Q}_{i}\right)\left[\stackrel{N}{\sum _{j=1}}\varphi \right({K}_{j}{)}^{\mathrm{T}}]}$

式(4)中:ϕ为一个非负核函数。

通过先计算K^TV,该方法避免了N×N矩阵的显式构造,从而实现了线性复杂度的全局建模。然而,线性注意力因其表达能力不足而性能受限。近期表现优异的Mamba模型虽然具有线性复杂度,但其核心的遗忘门是循环长序列计算,这与视觉检测任务中所使用的GPU(graph process unit)硬件的高度并行化计算方式不兼容,严重影响推理速度。MLLA通过将Mamba的线性计算融合进并行的视觉模型架构中来解决这个问题。

如图6所示,MLLA摒弃了循环长序列计算,转而采用可并行计算的旋转位置编码(rotary position embedding, RoPE)来为模型注入位置感知能力。RoPE通过对查询(query)和键(key)向量进行旋转来嵌入位置信息。对于位于序列位置m的向量,其RoPE变换后的q'_m和k'_m可分别表示为

(5)q'_m=R_Θ,_mq_m, k'_m=R_Θ,_mk_m

式(5)中:R_Θ,_m为一个与位置m相关的旋转矩阵;Θ为超参数集合;q_m、k_m为变换前的向量。

这种方式能够在不牺牲并行计算能力的前提下,为模型提供必要的位置感知能力。

此外,MLLA还采纳了Mamba先进的宏观块设计(block design)。如图7所示,该宏观块在标准的注意力子块和MLP子块之外,融合了深度可分离卷积、门控机制和额外的线性映射层,构建了一个更具特征表达能力的计算单元。因此,MLLA模块在实现线性计算复杂度的同时,具备了强大的全局信息交互能力,从而使得ELYOLO的主干网络能够在计算成本可控的前提下,高效地建模全局上下文信息。

2.3 CCFM-GS:高效颈部网络设计

颈部网络(Neck)负责融合来自主干网络不同层级的特征,需要大量的稠密计算,传统的颈部网络通常依赖大量的标准卷积,构成了模型的计算瓶颈。为了构建一个轻量且高效的颈部,采用高效跨通道特征融合颈部网络(cross-channel feature fusion module with GSConv, CCFM-GS)。

CCFM-GS设计的核心在于所提出的GSConv轻量化卷积操作,GSConv以较低的成本达到标准卷积的性能^[22]。其结构如图8所示,输入通道分为两部分:一部分通过标准卷积SC(standard convolution)处理,以保留密集的通道间信息;另一部分则通过计算成本更低的深度可分离卷积DSC(deepthwise separable convolution)处理。随后,将两部分输出的特征图进行拼接(concat),并通过通道重排(channel shuffle)操作进行均匀混合。

GSConv的计算成本相较于标准卷积显著降低,其计算量比率ratio

${}_{\mathrm{c}}^{\mathrm{*}}$

可表示为

(6)ratio${}_{\mathrm{c}}^{\mathrm{*}}$=$\frac{\mathrm{F}\mathrm{L}\mathrm{O}\mathrm{P}{\mathrm{s}}_{\mathrm{G}\mathrm{S}\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}}}{\mathrm{F}\mathrm{L}\mathrm{O}\mathrm{P}{\mathrm{s}}_{\mathrm{S}\mathrm{C}}}$≈$\frac{{C}_{1}+1}{2{C}_{1}}$≈$\frac{1}{2}$

式(6)中:FLOPs_GSConv、FLOPs_SC分别为GSConv、SC的浮点运算次数;C₁为输入通道数。

GSConv能够以接近标准卷积1/2的计算量,达到与其类似的特征表达效果。CCFM-GS颈部网络通过将YOLOv11部分标准卷积替换为GSConv,大幅降低了特征融合阶段的计算负载和参数量,通过更改特征金字塔的结构确保了多尺度特征的有效交互,最终在轻量化的同时,提升了模型对PCB缺陷的检测性能。

2.4 UIoU:面向高质量检测的损失函数

缺陷检测定位的精度是由边界框回归的准确性决定的。传统的IoU(intersection over union)损失函数虽然考虑了重叠面积、中心点距离和长宽比等几何因素,但其平等地对待所有输入的训练样本,导致高质量预测框(即与真实框高度重合的预测框)的权重降低。为了克服这一问题,采用UIoU损失函数。

UIoU的核心是一种动态权重分配机制,该机制不再直接修改几何度量规则,通过对预测框和真实框进行同步缩放来实现权重的动态调整。当对两个边界框进行同步缩小时,它们之间的IoU值会减小,从而导致IoU Loss(L_IoU=1-IoU)增大。缩小边界框等效于增大了高质量样本的损失权重,迫使模型进一步优化预测框。反之,当对边界框进行同步放大时,IoU值会增大,IoU Loss减小,这使模型的注意力更多地集中在大量低质量样本上,有助于模型在训练初期快速收敛。

UIoU引入了基于退火策略的动态缩放因子 ratio 来平衡训练初期的快速收敛和后期的高精度优化。典型的余弦退火策略可表示为

(7)ratio=ratio_final+0.5(ratio_initial-ratio_final)×$\left[1+\mathrm{c}\mathrm{o}\mathrm{s}\left(\frac{\mathrm{\pi }\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}}{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}{\mathrm{h}}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}}\right)\right]$

式(7)中:epoch为训练轮数;ratio为动态缩放因子。在训练初期,ratio>1,模型放大边界框,关注低质量样本,加速收敛;随着训练的进行,ratio逐渐减小;在训练后期,ratio<1,模型缩小边界框,聚焦于高精度样本,进行精细化优化;ratio_initial通常设为大于1的值,如2.0;ratio_final设为小于1的值,如0.5。

通过动态边界框缩放和预测置信度加权策略,UIoU能够动态引导训练过程,提高不同训练阶段与不同样本的适配度,在不增加额外几何约束的情况下,显著提升了模型对PCB缺陷的定位精度。

3 实验结果与分析

为验证所提出的ELYOLO模型的有效性,设计了三组对比实验:一是通过消融实验以验证各改进模块的贡献;二是与其他主流目标检测算法的对比实验;三是验证模型迁移度的泛化性实验。

3.1 实验环境

所有模型训练均在统一的软硬件环境下完成,以确保结果的公平性和可复现性。具体的实验环境配置:操作系统:Ubuntu 22.04 LTS,处理器(CPU):16核Xeon(R) Gold 6430,图形处理器(GPU):NVIDIA GeForce RTX 4090D,深度学习框架:PyTorch 2.7.0,编程语言:Python 3.12.0,显卡驱动:CUDA 12.8。具体的超参数设置如表1所示。

为验证算法的工程落地可行性,将ELYOLO模型部署于国产瑞芯微RK3576开发板上进行实测。瑞芯微提供的瑞芯微神经网络(rockchip neural network, RKNN)工具链简化了模型转换与部署流程, 使用户能够将服务器端训练好的PyTorch模型通过开放神经网络交换(open neural network exchange, ONNX)中间格式,转换为与RK3576开发板高度适配的RKNN模型格式。RK3576开发板是一款基于瑞芯微RK3576J/RK3576高性能处理器设计的4核ARM Cortex-A72+4核ARM Cortex-A53+ARM Cortex-M0国产工业开发板,Cortex-A72核心主频高达2.2 GHz,Cortex-A53核心主频高达2.0 GHz。该开发板由核心板和评估底板组成,所有元器件均采用国产工业级方案,国产化率100%。结果显示:在640×640输入分辨率下,模型推理帧率达65.2 FPS,较基准YOLOv11n提升了约21.5%,且运行时内存占用仅为142 MB。

3.2 实验数据集

本次实验采用的核心数据集源自北京大学智能机器人开放实验室公开的PKU-Market数据集,该数据集包含由高分辨率工业相机采集的693张原始图像(分辨率为3 000×2 000),涵盖缺孔(missing_hole)、鼠咬(mouse_bite)、开路(open_circuit)、短路(short)、毛刺(spur)以及杂铜(spurious_copper)6种典型印刷电路板缺陷,且其缺陷实例表现出极强的“小目标”特征,最小缺陷尺寸通常不足全图面积的0.1%,这对算法的精细特征提取能力提出了严苛要求。由于原始样本规模有限,为增强模型的鲁棒性并有效防止深度神经网络在训练过程中的过拟合现象,实施包括亮度调整、随机旋转、裁剪、镜像以及马赛克在内的多维数据增强手段,经过精细化数据清洗后,样本总量扩充至5 800张,并按照8∶1∶1的比例严格划分训练集、验证集和测试集,以平均精度均值(mean average precision,mAP)作为模型性能评价的主要度量指标。

为进一步验证ELYOLO算法在不同成像设备与真实生产环境下的跨域泛化能力,引入由线性扫描电荷耦合器件(charge coupled device, CCD)工业相机捕获的Deep-PCB数据集进行交叉验证,该数据集包含1 500对经过精密对齐的模板图与缺陷图,每对图像由一张无缺陷模板图像和一张经过对齐的测试图像组成,其更具挑战性的噪声背景与复杂的纹理分布,能够有效模拟我国电子制造企业产线中真实的自动光学检测应用场景。

3.3 评价指标

本次实验采用多项业界公认的评价指标,从检测精度和模型效率两个维度来全面、客观地评估ELYOLO模型的性能。

(1)精确率(precision,P)。反映模型预测结果的准确度,即在所有预测为正样本的结果中,其真正为正样本的比例。计算公式为

(8)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

式(9)中:TP(true positive)为正确检测到的缺陷数量;FP(false positive)为错误检测的数量。

(2)召回率(recall, R)。衡量模型对正样本的覆盖能力,即模型成功检测到的所有真正的正样本的比例。召回率与模型的缺陷检测率直接相关,在工业质检场景中非常重要。计算公式为

(9)R=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$× 100%

式10中:FN(false negative)为未能检测到的缺陷数量即漏检。

(3)平均精度均值(mean average precision, mAP)。mAP是物体检测任务中最核心的评价指标。它通过计算精度-召回率(P-R)曲线下的面积,然后对所有类别的平均精度(average precision, AP)值求平均值来评估模型在某一类别上的性能。其计算公式为

(10)

$\mathrm{A}\mathrm{P}={\int }_{0}^{1}P\left(R\right)\mathrm{d}R$

(11)

$mAP=\frac{1}{N}\stackrel{N}{\sum _{i=1}}\mathrm{A}{\mathrm{P}}_{i}$

式中:N为训练数据集中类别的数量;使用两种常用的mAP指标,其中mAP50指在IoU阈值为0.5时计算的mAP,是衡量模型基本检测性能的常用标准;mAP50-95指在IoU阈值从0.5到0.95,步长为0.05的区间内,计算每个阈值下的mAP再取平均值。该指标更为严格,能够更好地反映模型的定位精度。

(4)参数量(Params)。Params指模型中所有可训练参数的总和,通常以百万(millions, M)为单位。该指标衡量了模型的空间复杂度,直接关系到模型的大小。

(5)计算量(giga floating point operations per second, GFLOPs)。GFLOPs指模型完成一次前向传播所需的浮点运算次数,单位为十亿次。该指标衡量了模型的计算复杂度。

3.4 消融实验

为了系统性地验证所提出的各项改进模块的有效性,在PKU-Market PCB数据集上设计了一系列消融实验。实验以YOLOv11n为基线模型,逐一叠加主干网络的GLA模块、CCFM-GS颈部网络、MLLA 注意力模块以及UIoU损失函数,并严格控制每次实验的训练参数与环境均保持一致。实验结果如表2所示。

由表2可知,在将基线模型的主干网络替换为改进的GLA后,模型的参数量(Params)与计算量(GFLOPs)分别显著下降了16.7%和19.0%,这充分验证了GLA在模型轻量化方面的有效性。然而,这一改进也导致模型的各项精度指标出现了小幅下滑,其中mAP50下降了2.6%,未能满足精度要求。在进一步引入基于GSConv的CCFM-GS颈部网络后,模型的复杂度持续降低,而各项精度指标则得到了全面回升。具体而言,mAP50达到了91.5%,虽然仍较基线模型低0.8%,但相较于GLA主干阶段已回升了1.8%。结果表明,高效的CCFM-GS颈部网络不仅有效弥补了轻量化主干可能带来的特征表达损失,还通过更优的特征融合方式提升了模型的整体性能。在此基础上,添加 MLLA 模块后,模型的参数量和计算量虽有小幅增加,但检测性能获得了显著提升,其中mAP50提升了3.1%,召回率提升了3.3%。这证明了MLLA模块通过高效的全局上下文建模,增强了模型对复杂背景下PCB缺陷的识别能力,有效降低了漏检率。最终,当损失函数替换为UIoU后,模型的各项精度指标均达到了最高水平,mAP50提升至95.3%,召回率提升至92.6%。这充分证明了UIoU通过其动态权重分配策略,有效引导模型优化高质量预测框,从而实现了更精准的缺陷定位。

综上所述,消融实验系统地验证了所提出的各项改进措施对模型性能的积极影响。具体而言,GLA和CCFM-GS在实现模型轻量化方面发挥了重要作用,而MLLA模块和UIoU损失函数则在提升模型精度和召回率方面表现出色。这些模块的协同作用,使得最终构建的ELYOLO模型在轻量化、高效性与高精度之间达到了相对理想的平衡状态。

3.5 对比实验

为进一步验证ELYOLO模型的综合性能和先进性,将其与多种主流及最新的目标检测算法在PKU-Market PCB测试集上进行了性能对比。详细的对比结果如表3所示。实验结果样例对比如图9所示,ELYOLO模型与YOLOv11n模型的P-R曲线分别如图10、图11所示。

由表3可知,本文模型对比其他模型在各项性能指标上均有所提升。相较于经典的双阶段算法Faster R-CNN和单阶段算法SSD,ELYOLO在所有关键指标上均提升显著。其参数量分别仅为Faster R-CNN的5.8%和SSD的9.8%,计算量大幅降低,同时mAP50高出Faster R-CNN 15.7个百分点,充分展现了ELYOLO轻量化高精度的优势。

对比YOLOv5n与YOLOv8n模型,ELYOLO模型在更为严格、更能反映定位精度的mAP50-95指标上实现了反超,达到了50.4%的精度值,高出YOLOv8n达3.1个百分点。这得益于UIoU损失函数对高质量边界框回归的有效优化。相较于基线模型YOLOv11n,ELYOLO在参数量减少7.4%、计算量减少17.5%的情况下,实现了mAP50提升 3.0个百分点和mAP50-95提升2.3个百分点的优异成绩。与同样是针对YOLO改进的ASF-YOLO相比,本文模型在mAP50和mAP50-95上分别高出2.7和2.1个百分点,再次证明了本文组合改进策略的有效性。

综上所述,对比实验结果有力地证明了ELYOLO模型在PCB表面缺陷检测任务上的先进性。它不仅在检测精度上超越了现有的主流轻量化模型,同时还降低了模型复杂度和推理速度,为工业场景下的实时、高精度缺陷检测提供了一种优质的模型以供参考使用。

3.6 泛化性实验

为了验证ELYOLO模型在不同缺陷检测场景下的适应性和泛化能力,选取DeepPCB 数据集,由上海交通大学图像处理与模式识别研究所公开,该数据集源于真实PCB产线,使用线性CCD扫描得到。使用相同的模型架构和训练超参数,检验模型在其他领域数据集上的表现。实验结果如表4所示。ELYOLO在DeepPCB数据集上的表现如图12所示。

从表4的结果可以看出,在DeepPCB数据集上,ELYOLO模型依然表现出卓越的性能。与基线模型YOLOv11n相比,ELYOLO模型在mAP50指标上略有优势,在衡量高精度定位能力的mAP50-95指标上提升了3.2个百分点,这充分说明了ELYOLO在复杂场景下精准定位缺陷的能力。与同样是

先进改进模型的ASF-YOLO相比,ELYOLO在模型参数量和计算量均更低的前提下,mAP50-95指标依然高出0.6个百分点,展现了更优的综合性能。

此实验证明了ELYOLO模型在其他类似场景的缺陷检测任务上具有一定的泛化性,在面对数据分布和复杂度均不相同的检测任务中,ELYOLO依然能够保持高水准的检测精度,显示出其在实际工业应用中的巨大潜力和可靠性。

4 结论

针对印刷电路板(PCB)表面缺陷检测任务中,现有模型难以兼顾检测精度、推理速度与模型体积的难题,提出一种基于YOLOv11改进的轻量化高精度检测模型ELYOLO。该模型通过系统性地优化网络架构,提出GLA模块、MLLA模块、高效颈部网络CCFM-GS以及引入UIoU损失函数,实现了PCB缺陷检测所需的高效能与高精度。经过实验验证得出如下主要结论。

(1)本文模型在PKU-Market PCB和DeepPCB两个公开数据集上均取得了优异的性能。消融实验系统地验证了每一项改进策略的有效性与协同作用。与YOLOv11n等基线模型相比,ELYOLO在参数量和计算量分别降低7.4%和17.5%的情况下,mAP50和mAP50-95分别提升了3.0和2.3个百分点,展现了卓越的效能比。其泛化能力也在更具挑战性的DeepPCB数据集上得到了验证。

(2)本文模型有效平衡了轻量化设计与高精度检测之间的关系,为工业场景下的PCB缺陷检测提供了一种高效、精准且易于部署的解决方案。未来的工作将集中于模型的进一步压缩(如模型剪枝与量化),并探索其在更多样化的工业缺陷检测场景中的应用潜力,以期推动智能制造领域的技术进步。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	He Z, Lian Y, Wang Y, et al. A comprehensive review of research on surface defect detection of PCBs based on machine vision[J]. Results in Engineering, 2025, 27: 106437.

[2]	Liu X. An adaptive defect-aware attention network for accurate PCB-defect detection[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 5040811.

[3]	Zhou W, Li C, Ye Z, et al. An efficient tiny defect detection me-thod for PCB with improved YOLO through a compression training strategy[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 2003514.

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

[5]	Vasan V, Sridharan N V, Balasundaram R J, et al. Ensemble-based deep learning model for welding defect detection and classification[J]. Engineering Applications of Artificial Intelligence, 2024, 136: 108961.

[6]	Jha S B, Babiceanu R F. Deep CNN-based visual defect detection: survey of current literature[J]. Computers in Industry, 2023, 148: 103911.

[7]	Qiu J, Shen Y, Lin J, et al. An enhanced method for surface defect detection in workpieces based on improved MobileNetV2-SSD[J]. Expert Systems, 2025, 42(1): e13567.

[8]	Wu X, Duan J, Yang L, et al. Intelligent cotter pins defect detection for electrified railway based on improved faster R-CNN and dilated convolution[J]. Computers in Industry, 2024, 162: 104146.

[9]	吐尔逊·买买提, 邱建卓, 刘健, 等. 基于改进 YOLOv8n 的道路裂缝检测算法[J]. 科学技术与工程, 2025, 25(14): 6044-6053.

[10]	Maimaiti Tuerxun, Qiu Jianzhuo, Liu Jian, et al. Road crack detection algorithm based on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(14): 6044-6053.

[11]	Chen W, Huang Z, Mu Q, et al. PCB defect detection method based on Transformer-YOLO[J]. IEEE Access, 2022, 10: 129480-129489.

[12]	张森奕, 张雪松, 郭佳琦, 等. 基于Swin Transformer改进 YOLO 的密集场景行人检测算法[J]. 科学技术与工程, 2025, 25(21): 9018-9027.

[13]	Zhang Senyi, Zhang Xuesong, Guo Jiaqi, et al. Dense scene pedestrian detection algorithm based on Swin Transformer improved YOLO[J]. Science Technology and Engineering, 2025, 25(21): 9018-9027.

[14]	Wei Z, Yang F, Zhong K, et al. PCB-YOLO: Enhancing PCB surface defect detection with coordinate attention and multi-scale feature fusion[J]. PLoS One, 2025, 20(6): e0323684.

[15]	Pei H, Zhang C, Zhang X, et al. Recognizing materials in cultural relic images using computer vision and attention mechanism[J]. Expert Systems with Applications, 2024, 239: 122399.

[16]	杨永跃, 夏远超. PCB缺陷检测深度学习算法的精度改进[J]. 电子测量与仪器学报, 2023, 37(5): 11-19.

[17]	Yang Yongyue, Xia Yuanchao. Accuracy improvement of deep learning algorithm for PCB defect detection[J]. Journal of Electronic Measurement and Instrumentation, 2023, 37(5): 11-19.

[18]	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.

[19]	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.

[20]	常高宇, 赵顺祥, 侯舒誉, 等. 基于改进YOLOv8n的无人机航拍小目标检测算法[J]. 科学技术与工程, 2025, 25(31): 13500-13508.

[21]	Chang Gaoyu, Zhao Shunxiang, Hou Shuyu, et al. UAV aerial photography small target detection algorithm based on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(31): 13500-13508.

[22]	周宇辉, 张杰, 康玉浩, 等. 基于RD-YOLO的光伏组件表面缺陷检测方法[J]. 科学技术与工程, 2025, 25(31): 13464-13472.

[23]	Zhou Yuhui, Zhang Jie, Kang Yuhao, et al. RD-YOLO based surface defect detection approach for photovoltaic modules[J]. Science Technology and Engineering, 2025, 25(31): 13464-13472.

[24]	程擎, 闫恒志, 李彦冬. 改进YOLOv8n的轻量级小型无人机检测方法[J]. 科学技术与工程, 2025, 25(28): 12098-12107.

[25]	Cheng Qing, Yan Hengzhi, Li Yandong. Lightweight detection method of small UAVs on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(28): 12098-12107.

[26]	Du Z, Xu X, Bai Z, et al. Feature fusion strategy and improved GhostNet for accurate recognition of fish feeding behavior[J]. Computers and Electronics in Agriculture, 2023, 214: 108310.

[27]	Li Y, Yao T, Pan Y, et al. Contextual transformer networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023, 45(2): 1489-1500.

[28]	He X, Cao K, Zhang J, et al. Pan-Mamba: effective Pan-sharpening with state space model[J]. Information Fusion, 2025, 115: 102779.

[29]	Li H, Li J, Wei H, et al. Slim-neck by GSConv: a lightweight-design for real-time detector architectures[J]. Journal of Real-Time Image Processing, 2024, 21(3): 62.

[30]	Kang M, Ting C, Ting F, et al. ASF-YOLO: a novel YOLOmodel with attentional scale sequence fusion for cell instance segmentation[J]. Image and Vision Computing, 2024, 147: 105057.

[31]	吴葛, 朱宇凡, 贾泽宁. 改进YOLO11的PCB表面缺陷检测方法[J]. 电子测量技术, 2025, 48(14): 136-145.

[32]	Wu Ge, Zhu Yufan, Jia Zening. A PCB surface defect detection method based on improved YOLO11[J]. Electronic Measurement Technology, 2025, 48(14): 136-145.