使用ECA-DCN-Lite-BiFPN-CARAFE增强的YOLOv5和单阶段半监督的标签高效的PCB缺陷检测
Zhenxia Wang1,2, Nurulazlina Ramli1, Tzer Hwai Gilbert Thio1
1Centre for Sustainability in Advanced Electrical and Electronics Systems (CSAEES), Faculty of Engineering, Built Environment and Information Technology, SEGi University, Petaling Jaya 47810, Malaysia.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
本研究介绍了一种增强的YOLOv5模型,用于印刷电路板 (PCB) 缺陷检测. 改进的探测器实现了更高的准确性和效率,特别是在有限的数据,支持智能制造.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 制造业 制造技术 制造技术
背景情况:
- 印刷电路板 (PCB) 缺陷检测对于制造质量至关重要.
- 微小的,低对比度的缺陷和有限的标记数据对传统的检测系统构成重大挑战.
- 现有的方法在几何适应性和多尺度特征融合方面扎.
研究的目的:
- 开发一个先进的物体检测模型,用于准确和标签效率高的PCB缺陷检查.
- 用专门的模块来增强你只看一次 (YOLO) 版本5 (YOLOv5) 架构.
- 实施半监督学习策略,有效利用未标记的数据.
主要方法:
- 修改后的YOLOv5具有高效通道注意力 (ECA),可变形卷积 (DCN-lite),双向特征金字塔网络 (BiFPN) 和内容意识重组特征 (CARAFE).
- 引入了一个单周期的半监督培训管道,使用高可靠性伪标签对未标记的数据.
- 在标签稀缺条件下对PKU-PCB数据集进行模型评估.
主要成果:
- 增强的YOLOv5模型实现了0.910的平均平均精度 (mAP@0.5),比0.870.87的基线有所改善.
- 半监督方法进一步提高了业绩,达到0.943 mAP@0.5.5.
- 与基线和其他YOLO变体相比,证明了更快的融合和一致的类智能准确度增长.
结论:
- 拟议的ECA-DCN-lite-BiFPN-CARAFE增强的YOLOv5提供了准确且标签效率高的PCB缺陷检测.
- 半监督培训管道有效地利用未标记的数据,减少对注释的依赖.
- 该系统适用于生产中的自动光学检查 (AOI),支持智能制造的SDG 9.
