《Journal of Imaging》：A Lightweight and High-Precision PCB Surface Defect Detection Method Based on YOLOv8
编辑推荐：
针对PCB(Printed Circuit Board, 印刷电路板)表面缺陷种类多样且数量较多的问题，研究人员提出了一种基于改进YOLOv8的PCB表面缺陷检测方法。首先，引入RepGhostBottleNeck作为轻量化骨干网络(Backbone)进行轻量
针对PCB(Printed Circuit Board, 印刷电路板)表面缺陷种类多样且数量较多的问题，研究人员提出了一种基于改进YOLOv8的PCB表面缺陷检测方法。首先，引入RepGhostBottleNeck作为轻量化骨干网络(Backbone)进行轻量化改造，降低了训练模型的参数量——本文中"轻量化"是相对于原始YOLOv8L基线而言，相较于极轻量检测器，本文模型更注重精度与效率的平衡。此外，在骨干网络中增加了注意力机制模块和小目标检测头模块，并改进了网络的损失函数(Loss Function)。实验结果表明，改进模型的平均mAP@0.5达到0.976，在构建的数据集上实现了高精度检测。
论文解读：基于改进YOLOv8的PCB表面缺陷轻量化高精度检测方法
该研究发表于《Journal of Imaging》。随着电子技术的发展，PCB(Printed Circuit Board, 印刷电路板)朝高密度、微型化方向发展，表面贴装技术(SMT, Surface Mount Technology)的应用使得传统人工检测和基于图像处理的机器视觉(MV, Machine Vision)方法难以满足自动化生产对多类型、微小缺陷（如断路、短路、缺孔、鼠咬线、毛刺及杂铜）高速高精度检测的需求。现有两阶段深度学习检测算法精度高但速度慢，单阶段YOLO系列虽具实时性，但存在参数量大、对小目标（像素占比<0.01%）检测能力不足及工业部署成本高等问题。为兼顾检测精度与推理效率并增强微小缺陷特征提取能力，研究人员开展了基于YOLOv8L架构的协同优化改进研究，最终模型参数量降低约22%且mAP@0.5提升至97.6%，证明该方法在工业高精度检测场景具备良好应用价值。
研究人员采用的主要关键技术方法如下：构建混合数据集（来源于北京大学实验室公开的693张PCB缺陷图像及实际工业生产线的6319张图像，共计7012张，含短路、毛刺、杂铜、缺孔、鼠咬线、断路六类缺陷，按8:2划分训练集与验证集）；以YOLOv8L为基线，将C2f模块中的Bottleneck替换为RepGhostBottleNeck（基于RepGhostConv结合深度可分离卷积与残差连接实现轻量化骨干）；在C2f层后嵌入Coordinate Attention(CA, 坐标注意力)机制以增强细粒度缺陷特征与位置信息表征；检测头部新增P2(stride=4)小目标检测头融合高分辨率浅层特征以提升微小缺陷检测能力；边界框回归损失函数由CIoU替换为WIoU(Wise-IoU)以动态非单调聚焦机制降低低质量标注样本的过惩罚；训练采用SGD优化器，输入尺寸640×640，批次大小8，训练200轮，数据增强含Mosaic、MixUp及随机翻转等。
2. YOLOv8模型及改进
介绍YOLOv8的Backbone(CSPDarkNet+C2f模块+SPPF)、Neck(FPN+PANet)及Prediction Head基本结构后，研究人员实施了四项改进：(1)用RepGhostBottleNeck替换C2f内Bottleneck实现轻量化；(2)引入CA机制强化方向感知与位置敏感的特征加权；(3)增加P2小目标检测头(输出特征图尺度160×160，步长4)构成四尺度检测头；(4)采用WIoU Loss替代CIoU Loss优化边框回归。结论：RepGhostBottleNeck在保征特征提取能力前提下显著降低参数量与计算量；CA机制有效捕获长距离依赖与精确位置信息；P2头保留浅层高分辨率空间细节以缓解小目标信息丢失；WIoU通过锚框离群度评估减轻低质样本干扰，提升泛化性。
3. 数据准备与实验配置
数据来自公开数据集与工业产线采集数据集，经LabelImg人工双重标注与交叉校验，成像采用工业相机配环形LED白光光源固定工况以减少光照影响。实验硬件为Intel Core i9-13900K、NVIDIA RTX 4070(12GB)，软件环境PyTorch 1.11.0 + CUDA 11.3。结论：数据集类别分布均衡(每类约1500~1700样本)，缺陷目标多为小尺寸(宽0.04~0.1，高0.03~0.08图像比例)，空间分布均匀，适用于小目标检测验证；相同超参数设置确保模型对比公平性。
4. 实验结果与分析
- •
替换RepGhostBottleNeck前后对比：参数量由9.6M降至6.0M(降幅37.5%)，FLOPs由27.2G降至16.8G(降幅38.2%)，推理时间由16.8ms降至12.4ms(降幅26.2%)，证明有效压缩模型并提升计算效率。
- •
与现有PCB专用检测方法对比：本文方法mAP@0.5达97.6%，优于TDD-Net(94.2%)、Cascade R-CNN(95.1%)、PCB-YOLOv4(93.8%)及PCB-YOLO(95.6%)；参数量34.0M较Cascade R-CNN(68.0M)与PCB-YOLOv4(52.3M)显著减少，较极轻量PCB-YOLO(2.3M)虽多但在精度上提升2.0个百分点，平衡了精度与复杂度。
- •
与主流YOLO系列对比：各缺陷类别AP均优于YOLOv5、YOLOv7及原始YOLOv8。
- •
消融实验(Ablation Study)：基线YOLOv8L(mAP@0.5=91.0%，参43.7M，FPS=30)；仅引入RepGhostBottleNeck(mAP@0.5=93.5%，参27.3M，FPS=36)；叠加CA机制(mAP@0.5=94.7%，参略增0.3M，FPS不变)；再叠加P2小目标检测头(mAP@0.5=97.6%，mAP@0.5:0.95=91.0%，参34.0M，FPS=34)。结论：各模块均正向贡献，P2头对微小缺陷检测精度提升最为显著(较基线mAP@0.5提升6.6%，mAP@0.5:0.95提升8.0%)，最终模型在精度与效率间取得良好平衡。
- •
TensorRT加速评估：FP32精度下延迟19.6ms、FPS=51、模型大小70.4MB、mAP@0.5保持97.6%；FP16下延迟15.4ms、FPS=65、模型50.5MB、mAP@0.5仅降0.2%；INT8量化后延迟12.2ms、FPS=82、模型32.3MB、mAP@0.5=95.8%。
- •
可视化结果：混淆矩阵主对角线值>0.92，PR曲线各类别聚于右上角，F1分数在置信度阈值0.1~0.9区间维持0.96~0.98。鼠咬线(mAP=97.0%)与毛刺(mAP=98.2%)因尺寸极小或与正常走线对比度低稍低于其余类别(短路与断路>97.8%)，但仍超97%，验证了CA与P2头的有效性。局限性在于仅在固定光照与产线数据集验证，跨数据集泛化性及极端长宽比缺陷检测尚待进一步研究。
讨论与结论翻译
研究人员提出一种基于改进YOLOv8架构的PCB表面缺陷检测方法。相较于原始YOLOv8L基线，该方法实现了相对轻量化设计（参数量减少约22%），此处"轻量化"是相对于所选基线而言，与极轻量检测器相比更强调检测精度与效率的平衡。为应对缺陷尺度小、检测难度高及工业部署效率要求严格等挑战，引入RepGhostBottleNeck构建轻量化骨干网络，并结合Coordinate Attention机制、P2小目标检测头及WIoU损失函数对YOLOv8进行增强。实验结果显示，所提方法在构建的数据集上mAP@0.5达97.6%、mAP@0.5:0.95达91.0%，较原始YOLOv8模型在检测精度与推理效率上均有显著提升，且能有效检测缺孔、鼠咬线、断路、短路、毛刺及杂铜等各类PCB表面缺陷，具备良好的工业应用潜力。未来工作将聚焦于基于Transformer的特征提取方法、旋转目标检测技术及边缘计算设备上的部署优化，以进一步增强模型在实际工业环境中的适用性。
