基于姿态引导的YOLO-CED:一种用于移动操作器中可靠SMD-PCB缺陷检测的两阶段框架

《Neural Networks》:Pose-Guided YOLO-CED: A Two-Stage Framework for Robust SMD-PCB Defect Detection in Mobile Manipulators

【字体: 大 中 小 】 时间:2026年05月19日 来源:Neural Networks 6.3

编辑推荐:

  孙明晓|赵强|张秋雨|栾天天摘要印刷电路板(PCB)及其表面贴装器件(SMD)的稳定性在工业生产应用中具有重要意义。然而,在制造环境中使用移动机械手替代人工安全检测时,由于PCB空间姿态的不确定性、SMD尺寸的显著变化以及计算能力的限制,仍然存在诸多挑战。实现所有缺陷类别的稳定识

  
孙明晓|赵强|张秋雨|栾天天

摘要

印刷电路板(PCB)及其表面贴装器件(SMD)的稳定性在工业生产应用中具有重要意义。然而,在制造环境中使用移动机械手替代人工安全检测时,由于PCB空间姿态的不确定性、SMD尺寸的显著变化以及计算能力的限制,仍然存在诸多挑战。实现所有缺陷类别的稳定识别仍然十分困难。为了解决这一问题,本文提出了一种基于移动机械手的SMD-PCB缺陷检测的两阶段方法,该方法结合了目标姿态估计和YOLO-CED算法。首先,引入了一种颜色注意力机制,通过将颜色特征与空间特征关联起来,为不同区域自适应地分配适当的权重,从而提高了基于点云的姿态估计的鲁棒性。其次,引入了一种具有可学习参数的自适应门控机制用于特征提取,该机制负责处理三分支并行特征获取融合中的通道权重和轻量级空间权重。此外,还提出了一种多传感器场特征获取机制以及基于拉普拉斯算子卷积的边缘锐化特征融合机制。同时,细节恢复分支通过保留小物体的精细特征来确保精确的边界定位。最后,空间重塑分支的特征通过L2归一化的自监督多头注意力机制进行处理,然后将两个分支的特征融合起来生成最终输出。实验结果表明,所提出的方法在自建的HUSTPCB数据集(涵盖10种常见缺陷类别)上的表现优于多种轻量级模型,平均精度(mAP)达到了81.7%。该算法已在集成有机械臂的移动平台上进行了验证,展示了移动机械手在柔性PCB制造中的应用前景。同时,其在PKU-Market-PCB数据集上的优异表现证明了YOLO-CED算法的通用性和可迁移性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号