基于深度学习与多模态成像的印刷电路板焊接缺陷智能检测系统研究

《JOURNAL OF INTELLIGENT MANUFACTURING》：Automated detection and classification of soldering defects in printed circuit boards using deep learning and optical and thermal imaging

本研究针对PCB焊接缺陷检测难题，开发了融合光学/热成像与深度学习算法的自动化检测系统。通过对比YOLO系列、Faster R-CNN等模型，优化后的YOLOv11n实现91.3% mAP@0.5@75 FPS性能，Faster R-CNN+ResNet101更达到99.3%召回率。该系统可识别冷焊等潜在缺陷，为电子制造提供低成本高效解决方案。

　　

随着印刷电路板（Printed Circuit Board, PCB）设计复杂度的提升和现代电子行业对可靠性的严苛要求，焊接缺陷检测已成为生产链中的关键环节。本研究成功构建了一套功能完善、成本低廉且模块化的自动化焊接缺陷检测分类系统，该系统创新性地整合了定制化电动XY扫描平台、同步光学与热成像技术以及深度学习模型。

研究人员系统评估了多种目标检测架构，包括YOLO（v8至v11系列）、RetinaNet、RT-DETR以及基于ResNet骨干网络的Faster R-CNN。除标准模型外，还开发了定制化改进的YOLOv11n模型，通过引入混合注意力机制（HCAM）和多尺度特征增强模块（FSPPCSP），在保持75帧/秒（FPS）高推理速度的同时，实现了91.3%的mAP@^0.5（平均精度均值），特别适合工业实时检测场景。而采用ResNet101的Faster R-CNN模型则取得了最优异的召回率（99.3%）和mAP（93.7%）表现。

值得一提的是，研究创新性地将热成像技术作为互补性检测手段，能够有效识别传统RGB图像难以察觉的潜在缺陷，例如冷焊点（cold joints）和热应力损伤。这项成果充分证明，通过组合商用硬件、开源工具与精心优化的深度学习算法，完全能够实现高性能、可扩展且经济高效的PCB质量检测，为柔性化和小规模电子制造环境提供了极具实用价值的解决方案。