《Electronics》：Hybrid Detection-Segmentation for Precision Wire Welding with Mask-Based Offset Generation in Smart Connector Manufacturing
编辑推荐：
在PCB导线焊接中，精确的导体到焊盘对准至关重要，因为未对准会增加返工、降低良率并影响产品质量。在制造图像中，精确的导体定位具有挑战性，因为目标结构小、边界微妙，且导体常与附近的PCB焊盘相似。研究人员提出了一种基于部署导向运行时要求的精密导线焊接集成视觉管线
在PCB导线焊接中，精确的导体到焊盘对准至关重要，因为未对准会增加返工、降低良率并影响产品质量。在制造图像中，精确的导体定位具有挑战性，因为目标结构小、边界微妙，且导体常与附近的PCB焊盘相似。研究人员提出了一种基于部署导向运行时要求的精密导线焊接集成视觉管线。该框架结合了用于快速导体定位的YOLOv9-Tiny和用于框提示掩膜精化的EfficientViT-SAM，在保持实际推理速度的同时实现了精确的导体分割。引入了一种基于总最小二乘法（TLS）的几何方法，从预测掩膜生成x轴校正偏移以支持对准。研究人员在类似生产条件下收集的4导体系统数据上验证了模型。对于框提示分割，EfficientViT-SAM-L2实现了95.9%的平均交并比（mIoU），平均推理时间为2.264秒，满足了高分割精度和推理时间低于3秒的目标要求。与更重的SAM变体和基于Transformer的基准相比，所选模型在掩膜质量和计算效率之间提供了更实际的平衡。这些结果支持了基于掩膜的偏移生成用于精密导线焊接的可行性。
在智能连接器制造中，PCB导线焊接的导体到焊盘对准精度至关重要，未对准会增加返工率、降低良率并影响产品可靠性。传统自动光学检测（AOI）系统虽能进行缺陷筛查，但缺乏边界级几何信息用于精确对准分析，且导体与焊盘视觉相似性增加了定位难度。现有研究多聚焦于缺陷检测或分类，而针对导体级定位和对准偏移生成的集成方法仍属空白。为此，研究人员提出了一种混合检测-分割框架，结合YOLOv9-Tiny快速定位导体与绿色参考区域，并利用EfficientViT-SAM进行框提示掩膜精化，再通过总最小二乘法（TLS）生成可解释的x轴校正偏移。实验表明，该框架在类似生产条件下实现了平均交并比（mIoU）达95.9%且推理时间低于3秒的平衡性能，验证了掩膜偏移生成用于精密导线焊接的可行性。该研究发表于《Electronics》。
本研究主要采用三项关键技术方法。首先，YOLOv9-Tiny作为轻量级目标检测器，用于快速定位导体和PCB绿色参考区域，并输出边界框作为后续分割的提示。其次，EfficientViT-SAM-L2作为分割模型，接收边界框提示并生成精确的导体掩膜，在保持推理效率的同时提升边界质量。最后，基于总最小二乘法（TLS）的几何方法，从预测掩膜中拟合导体中心线，并与参考区域中心对比，生成x轴校正偏移。样本队列来源于4导体系统，在生产条件下采集240张2448×2448像素图像，随机分为训练集（192张）、验证集（24张）和测试集（24张），并对训练集进行曝光调整（±10%）和高斯模糊（1像素核）等数据增强。
**4.1 数据收集与预处理**：研究人员在生产条件下采集了240张2448×2448像素图像，按80%训练、10%验证、10%测试划分。通过对训练集进行±10%曝光调整和1像素高斯模糊增强，训练图像增至768张，并应用边缘增强以改善边界质量。五折交叉验证用于模型选择，测试集结果用于最终评估。
**4.2 导体定位检测器比较**：研究人员比较了YOLO-9-T（Tiny）、YOLO-10-N（Nano）、YOLO-11-N、YOLO-12-N等轻量变体。YOLO-9-T在测试集上取得了最高的mAP50-95（0.846），优于其他模型，因此被选为检测器，其边界框用于后续分割提示。
**4.3 框提示分割结果**：使用YOLO-9-T边界框作为提示，评估了SAM和EfficientViT-SAM变体。EfficientViT-SAM-L2在平均推理时间2.264秒下达到95.9%的mIoU，满足分割精度高于95%且推理时间低于3秒的目标。而原始SAM模型（如SAM-b和SAM-l）虽精度略高（96.5%和96.8%），但推理时间长达15至39秒，不适用于实际部署。
**4.4 与基于Transformer的分割方法比较**：研究人员将Mask2Former（Tiny和Small变体）作为Transformer基准进行对比。Mask2Former-Tiny和Small的mIoU分别仅为79.6%和80.5%，远低于SAM-based模型，且无法满足制造过程的精度要求。这表明，在细导线边界分割任务中，基于框提示的SAM模型优于通用Transformer分割架构。
**讨论与结论**：研究提出的混合框架在分割精度与推理效率间取得了实际平衡，YOLO-9-Tiny提供高效定位，EfficientViT-SAM-L2实现精确边界精化，TLS方法将掩膜转换为可解释的x轴偏移。与现有PCB缺陷检测研究不同，本工作直接面向对准偏移生成，强调几何信息的集成。尽管模型在多数场景表现良好，但在强反射或低对比度边界处仍存在分割误差，且数据集规模有限，未来需扩大样本、增强鲁棒性并验证偏移精度与机器人对准。
本研究展示了一种用于连接器制造中精密导线焊接的混合检测-分割框架。所提出的管线结合了YOLOv9-Tiny进行导体定位，以及EfficientViT-SAM进行框提示掩膜精化。该设计在保持分割精度与部署导向运行时要求之间的实际平衡的同时，实现了精确的导体分割。进一步开发了一种基于总最小二乘法（TLS）的几何方法，从预测掩膜生成x轴校正偏移以支持对准。实验结果表明，YOLOv9-Tiny在检测器中取得了最高的定位性能，mAP50-95达到84.6%。EfficientViT-SAM-L2在分割精度与推理效率之间提供了最佳平衡，实现了95.9%的平均交并比（mIoU），平均推理时间为2.264秒。这些结果验证了在类似生产条件下有效的导体分割，并支持了基于掩膜的偏移生成的可行性。尽管取得了这些成果，但仍需承认若干局限性：数据集在受控照明条件下收集，可能限制向其他生产环境的泛化；本研究仅关注单一规格连接器，且未考虑对准后回弹效应；虽然方法生成了x轴校正偏移，但偏移精度和校正后对准的定量验证尚未完成；仅标注了4个导体的边界框，实际生产场景中常涉及更多导体和更高视觉复杂度。未来工作将致力于减少人工标注、提高不同制造环境下的鲁棒性，并通过机器人系统上的定量实验验证生成的偏移。
