为PCB缺陷检查进行基础视觉模型的短暂调整
1Multimodal AX Business Team, LG CNS Co., Ltd., Seoul 07795, Republic of Korea.
Journal of imaging
|November 26, 2025
概括
视觉提示调整 (VPT) 显著改善了印刷电路板 (PCB) 的自动光学检查 (AOI),通过使用最小的数据实现高精度和可靠性. 这种参数高效的微调策略为制造中缺陷检测提供了一个可扩展的解决方案.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 制造业 制造技术 制造技术
背景情况:
- 印刷电路板 (PCB) 的自动光学检查 (AOI) 面临挑战,因为标签数据和域移动有限.
- 这些局限性阻碍了用于制造缺陷检测的准确深度学习模型的开发.
研究的目的:
- 为了对PCB缺陷分类的参数有效微调 (PEFT) 策略进行基准测试.
- 在基础视觉模型上评估线性探测器,低级调整 (LoRA) 和视觉提示调整 (VPT) 的性能和可靠性.
主要方法:
- 在对CLIP-ViT-B/16和DINOv2-S/14模型应用的三个PEFT策略 (线性探测器,LoRA,VPT) 的系统比较.
- 在少量射击 (k=5,10,20) 和全数据模式下对六类PCB缺陷分类任务的评估.
- 对模型性能,可靠性和参数效率的分析.
主要成果:
- 视觉提示调整 (VPT) 实现了0.99 ± 0.01准确度和0.998 ± 0.001宏AUPRC,与线性和LoRA相比,分类错误减少了~65%.
- VPT调整了不到1.5%的骨干参数,显示出高效率.
- VPT表现出对罕见缺陷类型 (Spur,不真铜) 的优异适应性,并在常见缺陷 (Short,Pinhole) 上保持高性能.
结论:
- 基于提示的适应 (VPT) 为PCB缺陷检查提供了准确性,效率和可靠性之间的有利权衡.
- VPT是工厂级AOI的可扩展策略,可以快速部署强大的缺陷检测模型,但标记数据很少.
