《AI EDAM》：Small target detection of surface defects on PCB boards: an improved YOLO method integrating attention mechanism and multi-scale feature focusing
编辑推荐：
为解决PCB缺陷检测任务中小目标检测精度低、漏检率高和误检率高的挑战，本研究提出一种融合特征聚焦和多尺度融合技术的增强型YOLOv8方法。通过引入轻量化GTADH模块、自适应特征聚焦模块及结合反向残差移动块（iRMB）与注意力机制的骨干网络，实验表明改进算法在PCB缺陷数据集上检测精度提升1.3%，mAP50:90提升7.3%，模型体积减小60%，显著提升小目标检测效能。
在智能制造浪潮的推动下，工业自动化技术迅猛发展，PCB（Printed Circuit Board，印刷电路板）作为"电子产业之母"，其质量直接关系到集成电路、人工智能、医疗设备等高端装备的可靠性。然而PCB生产工艺复杂，在生产过程中易产生开路、短路、残铜、漏电等表面缺陷，这些微小缺陷往往难以肉眼察觉，却可能造成数万元的经济损失。传统的人工目检方式效率低下，而基于电气性能的检测方法又存在损伤元件的风险。随着深度学习技术的发展，基于计算机视觉的缺陷检测方法逐渐成为行业新趋势。
目前主流的目标检测算法主要分为两阶段检测算法（如Faster R-CNN）和单阶段检测算法（如YOLO系列）。虽然这些方法在PCB缺陷检测中取得一定成效，但仍存在模型参数量大、计算复杂度高、对小目标特征捕捉能力弱等问题。特别是针对PCB板上毫米级的微小缺陷，容易在深层网络传播过程中丢失细节特征，导致漏检和误检。
为解决这些痛点，发表在《AI EDAM》上的这项研究提出了一种改进的YOLOv8算法。研究人员通过三大创新模块实现了突破：首先在检测头引入轻量化GTADH模块，采用共享卷积和任务对齐机制；其次在特征融合网络中加入自适应特征聚焦模块（FDM）；最后在骨干网络整合反向残差移动块（iRMB）与注意力机制。这些改进使得模型在保持轻量化的同时，显著提升了对小目标缺陷的检测能力。
关键技术方法包括：基于YOLOv8架构进行模块化改进，使用北京大学人机交互开放实验室发布的PCB缺陷数据集（经数据增强扩增至4158张图像），采用PyTorch框架在NVIDIA RTX 4090D平台上进行训练，通过GTADH检测头实现分类与定位任务的特征共享，利用FFPN结构增强多尺度特征融合，结合iRMB模块提升特征提取效率。
GTADH轻量化检测头
研究人员设计了一种基于组归一化的任务对齐动态检测头（GTADH），通过共享卷积层大幅减少参数数量。该模块采用任务分解机制，使分类和定位任务能够动态选择特征，不仅将模型参数降低近60%，还提高了两个任务的协同性。
改进的多尺度特征融合网络结构（FFPN）
针对小目标特征易丢失的问题，研究团队提出了特征聚焦金字塔网络（FFPN）。该结构通过深度卷积（Depthwise Convolution）提取不同尺度的特征细节，结合自上而下和自下而上的特征传递路径，有效增强了微小缺陷的特征表达能力。
改进骨干网络结构
通过将传统C2f模块替换为C2f-iRMB模块，并在骨干网络末端移除一层卷积层，既减少了参数数量，又保留了更多小目标细节特征。iRMB模块融合了倒残差块（IRB）和Transformer组件的优势，结合SE注意力机制和多头自注意力机制，实现了特征信息的高效提取。
实验设计
在实验环节，研究采用精确度（Precision）、召回率（Recall）、平均精度均值（mAP）等指标进行评估。结果显示改进后的模型在mAP50达到98.5%，较原YOLOv8s提升2.1%，其中对spur类缺陷的检测精度从91.9%提升至96.3%。在模型复杂度方面，改进后的模型体积仅8.9MB，远小于YOLOv8-swintransformer（66.7MB）和Faster R-CNN（108MB）。
对比实验
与主流检测算法对比表明，改进YOLO在精确度（99.2%）、召回率（96.8%）和F1分数（0.98）等指标上均表现最优。热力可视化分析显示，改进模型对边缘区域和小目标特征响应更明显，说明其感受野设计更适用于微小缺陷检测。
该研究通过系统性的模块改进，成功解决了PCB小目标缺陷检测中的关键技术难题。改进后的YOLO算法不仅显著提升了检测精度，还大幅降低了模型复杂度，为工业现场实时检测提供了可行方案。未来研究方向包括进一步优化模型结构，拓展其在更复杂工业场景中的应用能力。这项成果为智能制造领域的质量检测技术发展提供了重要技术支撑，对推动工业自动化转型升级具有积极意义。
