边缘引导超分辨率与集成学习协同优化的微型印刷电路板缺陷检测新方法ESRPCB

为解决低分辨率PCB图像中微小缺陷检测难题，研究人员提出边缘引导超分辨率框架ESRPCB，结合ResCat结构和集成学习技术。该模型以30.54 dB PSNR和0.977 mAP50的优异性能超越现有方法，为电子制造业质量控制提供创新解决方案。

　　

随着电子设备微型化发展，印刷电路板(PCB)的缺陷检测面临前所未有的挑战。在高速工业相机拍摄的低分辨率图像中，微小缺陷常与噪声难以区分，传统人工检测效率低下且易漏检，而基于规则算法的自动化系统对复杂PCB结构适应性差。更棘手的是，工业环境中光照不均、运动模糊等问题进一步降低了图像质量，导致现有深度学习方法如YOLOv3在微小缺陷识别上表现不佳，平均精度(mAP)往往低于90%。

为突破这一技术瓶颈，越南国家科技发展基金会资助的研究团队开发了ESRPCB框架。该创新性工作通过将边缘信息整合到增强深度超分辨率(EDSR)网络中，配合新型残差串联(ResCat)结构，首次实现了PCB图像的超分辨率重建与缺陷检测的协同优化。相关成果发表于《Engineering Applications of Artificial Intelligence》，为工业质检领域提供了新范式。

研究采用三项核心技术：基于边缘引导的EDSR网络架构，通过Sobel算子提取边缘特征指导图像重建；创新的ResCat模块增强特征传递效率；集成学习策略融合YOLOv8等多模型预测结果。实验使用北京大学机器人研究中心公开的693张PCB缺陷数据集，涵盖6类典型缺陷。

【研究结果】

1. 超分辨率性能：ESRPCB_C模型达到30.54 dB峰值信噪比(PSNR)，较传统EDSR提升0.42 dB，有效保留焊盘、走线等关键结构细节。
2. 缺陷检测精度：在IoU阈值为0.5时，基础模型mAP50达0.965，集成学习版本进一步提升至0.977，对"鼠咬"(mouse bite)等微米级缺陷识别率显著提高。
3. 鲁棒性验证：在模拟运动模糊、低照度等工业场景下，系统保持90%以上检测稳定性，远超Canny边缘检测等传统方法。

研究结论表明，ESRPCB通过边缘信息引导的级联式网络架构，成功解决了低分辨率PCB图像中缺陷与噪声的混淆问题。其ResCat结构通过跨层特征融合，使超分辨率过程更聚焦于关键电路特征，而集成学习策略则有效克服了单模型检测的局限性。该技术将PCB缺陷检测带入"超分辨率辅助诊断"新阶段，为5G设备、航天电子等高端制造领域的质量管控提供了可靠工具。作者建议未来可探索三维X射线图像与超分辨率技术的融合，以应对高密度互连(HDI)PCB的检测需求。