《Waste Management》：Multi-scale directional attention for AI-based WPCB component detection: A lightweight vision approach toward automated e-waste recycling
编辑推荐：
•新型DRAttn模块捕捉多角度方向先验，用于废印制电路板（WPCB）检测。•模型在工业数据集上以毫秒级延迟实现 平均精度（mAP50-95 89.44%。•渐进式残差融合策略确保稳健的收敛稳定性。•为自动化电子废物回收提供轻量级、鲁棒的视觉解决方案。引言随着全球电子产品生命
- •
新型DRAttn模块捕捉多角度方向先验，用于废印制电路板（WPCB）检测。
- •
模型在工业数据集上以毫秒级延迟实现 89.44%。
- •
渐进式残差融合策略确保稳健的收敛稳定性。
- •
为自动化电子废物回收提供轻量级、鲁棒的视觉解决方案。
引言
随着全球电子产品生命周期不断缩短，电子废物（e-waste）的产生量急剧增加（Almeida 等，2024）。据最新全球评估显示，2022年全世界产生了惊人的6200万吨电子废物，预计到2030年这一数字将激增至8200万吨，增幅达33%（UN-ITR 与 ITU，2025）。作为电子废物的核心组成部分，废印制电路板富含铜、金等各种关键金属和珍贵资源（Forti 等，2020；Parajuly 等，2019；Tansel，2017），被广泛视为具有巨大回收潜力的"城市矿产"（Hao 等，2020；Kaya，2016；Zeng 等，2018）。然而，基于物理破碎或按重量粗分级的传统回收策略不仅难以实现高价值元件的靶向回收，还会导致资源浪费和二次环境污染（Kumar 等，2017）。为推动电子废物管理向更高效、经济可行的循环经济模式转型，将人工智能和机器视觉技术整合用于WPCB的自动化、精细化分拣与价值评估，已成为产业升级的关键技术路径（Lu 等，2025；Mohsin 等，2025）。在此类智能回收系统中，精准的元件级识别与计数是后续拆解优先级排序、工艺流程路线选择以及准确价值定价的必备基础。
尽管机器视觉在自动分拣方面具有巨大潜力，但由于WPCB表面元件尺寸差异悬殊、分布极其密集，以及复杂铜走线、焊盘和高频反射的干扰，高精度视觉定位面临重大挑战。早期的视觉检测技术严重依赖传统图像处理或基础机器学习算法；然而，这些方法的特征提取能力有限，难以应对废电路板复杂多变的工况条件（Bhattacharya 与 Cloutier，2022；Kamaruddin 等，2025）。
随着深度学习的快速发展，基于卷积神经网络（CNN）的目标检测算法——如两阶段的Faster R-CNN（Cai 与 Vasconcelos，2018；Ren 等，2017）和早期的单阶段YOLO系列（Bochkovskiy 等，2020；Ge 等，2021；Liu 等，2016）——已被广泛应用于工业缺陷检测和智能分拣，显著提高了自动化识别率（Redmon 等，2016）。虽然最新的架构，如YOLOv9和YOLOv10（Wang 等，2024），持续推动实时端到端检测的理论边界，但YOLOv8仍是极端工业环境中实际硬件部署最为严格验证且平衡性最好的框架之一。然而，这些通用模型主要依赖常规卷积的局部感受野。在处理WPCB上的密集小目标时，强烈的背景纹理干扰往往导致边界粘连、漏检以及将电路走线误识别为元件等问题（Adibhatla 等，2020；Xie 等，2021；Zhao 等，2019）。
为缓解复杂工业背景导致的特征提取瓶颈，近期研究探索将各种注意力机制引入CNN，以引导模型聚焦于目标的显著区域（Guo 等，2022）。最初，早期的通道注意力机制，如Hu 等（2018）提出的SE模块，通过显式建模特征通道间的相互依赖关系，有效地增强了关键特征的权重。然而，这些方法通常依赖全局池化操作，导致空间位置信息严重丢失，难以提供精准的定位线索。为解决这些空间缺陷，后续研究引入了联合空间-通道注意力机制。例如，Woo 等（2018）提出的CBAM模块依次提取空间和通道特征，显著提升了模型捕捉显著目标区域的能力。Hou 等（2021）提出的坐标注意力（CA）将位置信息进一步分解为水平和垂直正交方向进行编码，增强了网络对长程依赖的感知。
尽管这些方法在一般视觉任务中表现出色，但在WPCB的具体场景下，芯片引脚、走线拐角以及特定焊盘布局往往表现出强烈的对角线或任意斜向几何结构（Dai 等，2017）。大多数现有的联合注意力机制侧重于水平或垂直维度的特征提取或全局重要性加权，缺乏对这些特定方向结构先验的显式建模（Ding 等，2019a；Dosovitskiy 等，2021；Misra 等，2021）。这导致在处理密集且相似的电子元件时出现边界模糊、粘连和方向误判。最近，为追求更极致的特征表示，前沿研究开始探索多维度协同注意力机制（Ouyang 等，2023）。此外，2025年和2026年的最新研究甚至探索将复杂的视觉Transformer或受Mamba启发的注意力机制用于高精度PCB缺陷分割（Niaz 等，2025）和专门面向微小元件的实时检测器（Han 等，2026）。然而，这种偏离工程实际的"复杂模块堆叠"并未从根本上解决PCB缺乏特定方向先验的问题，反而引发了新的工程痛点。一方面，网络结构变得极其臃肿，参数量和计算复杂度急剧上升，无法满足工业回收线上对高通量和低延迟的严格要求。另一方面，过于复杂的网络结构在高基线模型上容易在训练过程中引发不稳定性。面对实际回收场景中光照多变、板型复杂等严苛条件，模型的鲁棒性和高精度定位质量往往会显著下降，达到性能瓶颈。
为弥补上述研究空白，本研究提出了一种基于单阶段实时检测框架（YOLOv8）（Jocher 等，2023）的、用于PCB几何特征增强的轻量级注意力模块。该模块摒弃了简单堆叠复杂通用模块的传统做法，转而以极低的计算成本显式引入多角度结构先验，以增强模型对密集斜边和引脚阵列的感知（Chollet，2017；Howard 等，2017；Sandler 等，2018）。同时，引入了一种渐进式残差融合策略，有效抑制了训练初期新模块对原始骨干网络造成的干扰，确保了模型在复杂工业数据上的收敛稳定性。具体研究涵盖以下三个关键步骤：
- A.
以WPCB的回收价值为导向，建立了13类核心元件的特征库。通过整合公开开源数据集与精心标注的自采集图像，构建了一个标准化工业数据集，共计超过5000张图像。
- B.
设计并集成了"方向增强残差注意力（DRAttn）"机制，将其嵌入多尺度特征提取网络中，并通过消融实验确立了最优网络配置。
- C.
在严格的定位指标下全面评估了优化模型的检测精度和推理延迟，验证了其在实际生产线高通量部署中的潜力。
各章节摘要
方法
本研究的方法论总体目标是为真实世界电子废物（e-waste）工业拆解与分拣环境构建一个高精度的视觉检测框架。整个研究流程分为四个关键阶段：
首先，基于深入的产业调研，确立了具有高回收价值的核心元件类别；随后，在涵盖多种实际工作条件下的真实环境下完成了WPCB工业图像的采集工作
结果
本节系统展示了DRAttn模型的实验验证结果。内容主要分为两部分：
第一部分，在严格的评估体系下对模型的综合性能基准进行定量分析。第二部分，通过视觉检测实例评估模型在真实WPCB拆解环境中的定性性能。
讨论
本研究聚焦于极端工业视觉环境下的废印制电路板（WPCB）智能检测，提出了一种融合显式多尺度方向先验的DRAttn模块。尽管基于YOLO的模型在通用目标检测中展现出优异的收敛速度和精度，但传统注意力机制在WPCB特定场景——其特征为高密度聚合
结论
本研究针对WPCB回收中的高密度、多尺度目标以及强烈背景干扰等挑战，验证了DRAttn模块在单阶段检测器中的有效性。主要结论如下：
- A.
方向先验有效突破了密集目标的检测瓶颈。DRAttn通过正交特征聚合强化空间几何约束，显著提升了复杂
CRediT作者贡献声明
徐诺（Nuo Xu）：撰写——初稿、形式分析、数据整理。吕宗毅（Zongyi Lv）：项目管理、数据整理。王晨铭（Chenming Wang）：项目管理、数据整理。朱建明（Jianming Zhu）：软件、形式分析。张丽（Li Zhang）：软件、形式分析。徐立军（Lijun Xu）：软件、形式分析。黄晴（Qing Huang）：撰写——审阅与编辑、监督、经费获取、概念构思。袁文怡（Wenyi Yuan）：撰写——审阅与编辑、经费获取。
利益冲突声明
作者声明不存在已知的竞争性经济利益或可能影响本文所报告工作的个人关系。
致谢
作者衷心感谢国家自然科学基金（22576131）、上海市自然科学基金（24ZR1425300）和浦东民生专项（PKJ2025-C03）提供的经费支持。
徐诺|吕宗毅|王晨铭|朱建明|张丽|徐立军|黄晴|袁文怡
