MDEB-YOLO:一种轻量级的多尺度注意网络,用于在印刷电路板上检测微缺陷.
Xun Zuo1, Ning Zhao1, Ke Wang2
1School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China.
Micromachines
|February 27, 2026
概括
本研究介绍了MDEB-YOLO,这是一种用于检测印刷电路板 (PCB) 上微缺陷的新型深度学习模型. 它实现了高精度和速度,超过了关键工业质量控制的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 电子制造业 电子制造业 制造业
背景情况:
- 印刷电路板 (PCB) 缺陷检测对于电子产品质量控制至关重要.
- 现有的深度学习模型与小的,不规则的缺陷和背景噪音作斗争,平衡准确性和速度.
- 挑战包括复杂的电路,微小的缺陷尺度和各种形态.
研究的目的:
- 开发一个轻量级的PCB微缺陷实时检测网络 (MDEB-YOLO).
- 为了提高模型感知微妙几何变化的能力,并提取不规则的缺陷特征.
- 改善小目标的表示,并减少工业应用的计算复杂性.
主要方法:
- 提出了高效的多尺度可变形注意力 (EMDA) 模块,用于增强特征提取.
- 引入了一种双向残留多尺度特征金字塔网络 (BRM-FPN),以减轻特征损失.
- 开发了一种轻量级集成卷积头 (LGC-Head),以减少模型大小和复杂性.
主要成果:
- 在PKU-Market-PCB数据集上,MDEB-YOLO实现了95.9%的mAP和80.6的FPS.
- 与基线模型相比,证明了1.5%的mAP改善和26.5%更快的推断.
- 显著提高了对老鼠咬伤 (3.7%) 和刺激 (4.0%) 缺陷的检测准确度.
结论:
- MDEB-YOLO为PCB微缺陷检测提供了卓越的准确性和实时性能.
- 拟议的EMDA,BRM-FPN和LGC-Head模块有效地解决了检测小,不规则缺陷的挑战.
- 该模型对工业电子制造质量控制具有重要价值.

