基于轻量级深度学习融合模型的印刷电路板缺陷检测
Yuling Wang1, Zhicheng Chen2, Jie Wang1
1School of Artificial Intelligence and Information Engineering, East China University of Technology, Nanchang 330013, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究引入了一种改进的模型,用于检测印刷电路板 (PCB) 上的微小缺陷. 这种新的方法提高了检测的准确性和速度,使PCB制造业受益.
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) 是关键的电子元件,需要高精度的缺陷检测.
- 现有的方法难以识别PCB上的微小缺陷,影响制造质量.
研究的目的:
- 开发一种改进的模型,用于PCB上的微小缺陷检测.
- 通过压缩和高级功能表示来增强模型性能.
主要方法:
- 提出了一个基于MobileNet v3小型CA的紧型号,带有图像切割层.
- 实施了改进的多尺度融合,并使用了位置加权机制.
- 在公开的合成PCB数据集上对模型进行了评估.
主要成果:
- 拟议的模型与最先进的算法相比,表现出更高的性能,如Faster R-CNN,EfficientDet,SSD和YOLO v7.
- 为PCB上的微小物体检测实现了更高的检测准确度和速度.
结论:
- 开发的模型为PCB缺陷检测提供了显著的改进,特别是对于微小的缺陷.
- 提高速度和精度有利于PCB制造业,从而提高质量控制.