精度 95.9%+80.6FPS！这款轻量化 YOLO，搞定 PCB 微小缺陷检测
点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12942515/pdf/micromachines-17-00192.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出MDEB-YOLO轻量化检测网络，精准攻克 PCB 微小缺陷检测难题，实现精度与速度的双重突破！
PART/1
痛点
随着 PCB 向微型化、高密度、多层堆叠发展，缺陷检测迎来三大核心挑战：
- 缺陷极微小：导线边缘的凹凸缺陷占比不足整板 1%，极易被忽略；
- 形态不规则：鼠咬、毛刺等缺陷无固定轮廓，常规卷积难以捕捉；
- 背景干扰强：复杂电路纹理易掩盖缺陷，导致漏检、误检。
传统人工检测效率低、AOI 自动化检测鲁棒性差，主流深度学习模型要么精度不足，要么参数量大、推理慢，无法适配工业产线的实时检测需求。
PART/2
创新
MDEB-YOLO 围绕 “特征增强 - 多尺度融合 - 轻量化检测” 设计，通过三大模块针对性解决 PCB 微小缺陷检测痛点：
1. EMDA 模块：精准捕捉微小缺陷轮廓
针对导线边缘凹凸缺陷难感知的问题，设计高效多尺度可变形注意力模块：
用跨空间通道学习，精准定位导线边缘的水平 / 垂直位置；
结合可变形采样，自适应捕捉不规则缺陷的几何形变；
有效抑制背景噪声，让微小缺陷特征更突出。
2. BRM-FPN：双向融合，不丢小缺陷特征
针对多尺度变换中微小缺陷特征丢失问题，提出双向残差多尺度特征金字塔网络：
搭建自上而下 + 自下而上双向加权融合路径；
结合残差注意力，平衡深层语义与浅层细节；
让微小缺陷在不同尺度特征层都能保持强响应。
3. LGC-Head：轻量化检测头，提速降参
针对模型冗余、推理慢的问题，重构轻量级分组卷积检测头：
采用分组卷积策略，仅让卷积核作用于特定通道子集；
大幅降低参数量与计算量，同时保留缺陷特征判别力；
适配资源有限的工业边缘设备部署。
PART/3
实验
实测碾压主流模型！精度速度双优
研究在PKU-Market-PCB 工业数据集上验证，覆盖缺孔、鼠咬、开路、短路、毛刺、伪铜 6 类常见缺陷，结果惊艳：
- 核心指标：mAP 达95.9%，推理速度80.6 FPS，参数量仅7.11M；
- 难点突破：鼠咬、毛刺缺陷检测精度分别提升3.7%、4.0%；
- 对比优势：相较 YOLOv5s/v8s/v11s，mAP 更高、参数量更少、速度更快。
各模型在验证集上的精度、参数量、速度对比
典型样本检测结果可视化（MDEB-YOLO 无漏检、框选更精准）
Grad-CAM++ 激活热力图（MDEB-YOLO 聚焦缺陷核心区域，背景干扰极低）
特征图可视化（MDEB-YOLO 缺陷轮廓清晰，无背景噪声）
PART/4
总结与展望
未来方向：更轻、更泛、更适配工业场景
MDEB-YOLO 已实现工业级检测效果，但研究团队仍有优化方向：
提升复杂背景（氧化、眩光、污染）下的泛化能力；
进一步轻量化，将参数量压缩至5M 以内，适配边缘端部署；
探索小样本 / 无监督学习，降低工业数据集标注成本。
总结
MDEB-YOLO 以轻量化设计 + 针对性缺陷特征增强，完美平衡了 PCB 微小缺陷检测的精度、速度、参数量，为电子制造行业的自动化质检提供了高效、可行的解决方案，是轻量化目标检测在工业缺陷检测领域的优秀实践！
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型
ViT-YOLO：基于Transformer的用于目标检测的YOLO算法
SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测
LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
Gold-YOLO：基于聚合与分配机制的高效目标检测器
Drone-YOLO：一种有效的无人机图像目标检测
「无人机+AI」“空中城管”
无人机+AI：光伏巡检自动化解决方案
无人机视角下多类别船舶检测及数量统计
机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题
2PCNet：昼夜无监督域自适应目标检测（附原代码）
YOLO-S：小目标检测的轻量级、精确的类YOLO网络
大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）
改进的检测算法：用于高分辨率光学遥感图像目标检测