一、研究背景与问题提出

印制电路板（PCB）作为现代电子产品的核心部件，其生产过程中产生的毛刺、鼠咬、缺孔等微小缺陷会严重影响产品性能与可靠性。当前基于深度学习的PCB缺陷检测面临两大核心挑战：一是深层网络的卷积操作导致微小缺陷特征信息流失，二是微小缺陷与背景对比度低导致特征提取不充分。现有算法如YOLOv5在处理PCB微小缺陷时，因深层网络对浅层细节特征利用不足，检测精度难以满足工业需求。

针对上述问题，研究团队提出YOLOv5-TDD（Tiny Defect Detection）算法，通过优化颈部网络结构融合浅层特征，并引入SE-SiLU注意力机制增强对微小缺陷的关注度，实现PCB微小缺陷检测精度的显著提升。该研究对提升PCB生产质量控制效率、降低工业生产成本具有重要工程意义。

 

二、YOLOv5-TDD算法核心技术架构

（一）颈部网络浅层特征融合设计

YOLOv5-TDD在原有颈部网络基础上添加浅层特征融合分支，具体结构优化如下：

 

YOLOv5-TDD网络结构

 

融合不同尺寸浅层特征的小目标检测分支

 

1. 特征通路重构：将主干网络中CSPblock1输出的特征图（Output1）直接引入颈部网络，缩短浅层特征与小目标检测分支（YOLO Head1）的距离，形成"浅层特征二次流通"机制。

2. 多尺度特征融合：通过自顶向下与自底向上的特征融合操作，将Output1与深层特征Output2融合后生成Output5，作为小目标检测分支的输入，确保微小缺陷的细节特征（如边缘、纹理）被有效保留。

3. 计算复杂度控制：融合分支中的CSP_X模块设置n=1且关闭残差连接，在保证特征融合效率的同时将额外计算量控制在3.2%以内。

（二）SE-SiLU注意力机制模块

SE-SiLU模块通过通道注意力与激活函数优化提升微小缺陷特征表达能力：

 

 

1. 通道权重动态分配：利用全局平均池化压缩特征图维度，通过两层全连接层（MLP）生成通道权重，对包含微小缺陷信息的通道赋予更高权重，抑制背景噪声通道（如式3）。

2. SiLU激活函数优化：采用SiLU（f(x)=x/(1+e^-x)）替代ReLU，其平滑非单调特性增强网络对低对比度缺陷特征的非线性映射能力，实验显示可使梯度流通效率提升17.3%。

 

 

3. 模块部署策略：在颈部网络的10个特征合并节点部署SE-SiLU模块，形成"缺陷特征增强链"，确保微小缺陷信息在多层特征融合中被持续强化。

（三）锚框机制与检测流程优化

1. 多尺度锚框适配：针对PCB缺陷尺寸跨度大的特点，YOLO Head1配置(10,13)、(16,30)、(33,23)的小锚框，YOLO Head2/3分别匹配中大型锚框，实现全尺寸缺陷覆盖。

2. 检测流程闭环：输入图像经主干网络提取特征后，通过颈部融合浅层特征，再经SE-SiLU模块加权，最终由三分支检测头输出预测结果，全程保留微小缺陷的像素级细节。

 

三、实验验证与性能分析

（一）数据集与实验配置

1. 多源数据集构建：

- PCB_DATASET：包含6类缺陷（缺孔、鼠咬等），经数据增强后获得9037张图像，缺陷平均像素占比3.2%。

- DeepPCB：含6类缺陷共6163个实例，缺陷形态更复杂，背景干扰强。

- PCBSDD：包含线路不良、划伤等6类工业现场缺陷，图像分辨率高（平均2777×2138）。

2. 实验环境与参数：

- 硬件：Tesla V100显卡，CUDA11.0加速。

- 训练策略：迁移学习+微调，前50轮冻结主干网络，学习率0.001；后50轮解冻，学习率0.0001，batchsize分别为16/8。

（二）关键实验结果分析

1. 检测精度对比：

- 在PCB_DATASET上，YOLOv5-TDD的mAP达99.12%，较YOLOv5提升3.54%，其中鼠咬缺陷检测精度从94.88%提升至99.59%。

- DeepPCB数据集上，mAP提升3.93%至97.63%，对针孔类微小缺陷检测精度提升2.54%。

- PCBSDD中，对划伤类低对比度缺陷检测精度提升5.45%，mAP达98.87%（。

2. 消融实验验证：

- 单独添加浅层特征融合分支使mAP提升2.3%，单独引入SE-SiLU提升2.8%，两者结合实现3.54%的综合提升。

- 训练损失曲线显示，YOLOv5-TDD在第4轮后损失值稳定低于其他算法，收敛速度提升40%。

 

 

3. 工业有效性验证：

- 锚框机制对尺寸跨度达200倍的缺陷（如针孔与线路不良）均能精准定位，置信度均>0.92。

 

 

- 检测速度维持在40.92 FPS，满足工业在线检测的实时性要求，较YOLOv4提升12.42 FPS。

（三）与主流算法对比

1. 跨算法性能比较：

- 与Faster-RCNN相比，mAP提升34.4%，速度提升26.41 FPS。

- 较YOLOX算法，mAP提升0.79%，FPS提升0.57，综合性能更优。

2. PCB领域算法对比：

- 相比TDD-net，mAP提升0.22%，且参数量减少80%。

- 较YOLOv5-C，mAP仅低0.4%，但计算量降低64%，更适合工业部署。

 

四、技术创新点总结

（一）网络架构创新：浅层特征高效利用机制

1. 颈部网络拓扑优化：首次在YOLOv5颈部引入CSPblock1的浅层特征直接连接，形成"浅层-深层"特征双通道，使微小缺陷特征流通效率提升58%，解决深层网络特征丢失问题。

2. 融合策略量化设计：通过特征融合操作，明确自顶向下与自底向上的信息交互规则，实现多尺度特征的结构化融合。

（二）注意力机制创新：SE-SiLU联合优化

1. 通道权重动态分配：SE模块基于全局上下文生成通道权重，对微小缺陷高频特征通道（如边缘响应通道）赋予2.3倍权重，抑制背景噪声通道。

2. 激活函数适应性改进：SiLU函数的非线性特性增强网络对低对比度缺陷的表达能力，实验显示其对信噪比<3dB的缺陷特征提取效果提升21%。

（三）工业应用创新：锚框机制与检测流程适配

1. 多尺度锚框动态匹配：针对PCB缺陷尺寸分布（10像素-2000像素），设计三分支锚框体系，小锚框覆盖率提升37%，大锚框定位误差降低15%。

2. 端到端工业部署优化：通过轻量化设计，模型参数量控制在8.32M，较同类算法减少40%，满足嵌入式硬件部署需求。

 

五、未来研究方向

1. 跨场景泛化能力提升：研究领域自适应技术，解决不同厂商PCB的材质、工艺差异问题，计划引入域对抗训练（DAT）实现跨数据集迁移。

2. 模型轻量化与实时性优化：探索知识蒸馏与剪枝技术，目标将模型体积压缩至5M以内，同时维持mAP>98%，适配边缘计算设备。

3. 三维缺陷检测拓展：结合结构光成像技术，开发三维PCB缺陷检测算法，解决焊盘凸起、通孔偏斜等立体缺陷检测难题。

4. 工业智能诊断系统构建：融合检测结果与生产工艺数据，建立缺陷成因溯源模型，实现"检测-诊断-工艺优化"闭环。

 

六、结论

YOLOv5-TDD算法通过颈部网络浅层特征融合与SE-SiLU注意力机制的联合优化，有效解决了PCB微小缺陷检测中的特征丢失与对比度不足问题。在三类工业数据集上的实验表明，该算法mAP达99.12%，较基线算法提升3.54%，同时保持40.92 FPS的检测速度，兼具精度与效率优势。其创新的特征融合策略与注意力机制设计，为微小目标检测提供了新的技术路径，对电子制造领域的质量控制具有重要应用价值。

 

参考文献

融合浅层特征和注意力机制的PCB缺陷检测方法，廖鑫婷等，计算机集成制造系统，Computer Integrated Manufacturing Systems

DOI：10.13196/j.cims.2023.0039

 

来源：陶朱工的学习笔记与感悟

关键词： PCB 缺陷