Details

Обнаружение дефектов печатных плат (PCB) имеет важное значение для обеспечения качества электронных изделий. Существующие подходы имеют такие проблемы, как неспособность обнаруживать мелкие дефекты, чрезмерная чувствительность к сложному фону и низкая вычислительная производительность на изображениях печатных плат высокого разрешения. В данной статье представлена новая модель HG-YOLOv8, основанная на подходе оптимизации с использованием двухпутевого взаимодействия. Концы гибридных блоков внимания (HAB) размещены на концах базовой сети и ключевых узлах пирамиды признаков, объединяя механизмы самовнимания канала и окна для значительного улучшения представления признаков дефектов и подавления фонового шума. Теоретический анализ показывает, что окно размером 4×4 пикселя является оптимальным для полного покрытия области дефекта размером 32×32 пикселя. Это не определено эмпирически, но основано на статистическом распределении масштабов дефектов в наборе данных и коэффициенте понижения разрешения базовой сети, что обеспечивает количественную связь между окном внимания и физическими размерами целевых дефектов. В то же время, для полной замены стандартных сверток используются «призрачные» свертки, что приводит к резкому изменению вычислительной сложности практически без потери разнообразия признаков. Интерфейс обнаружения промышленного уровня с функциями загрузки модели, загрузки изображений, обнаружения в реальном времени и визуализации результатов, обладающий простым в использовании интерфейсом и возможностью пакетной обработки. Обучение и валидация проводились на самостоятельно созданном наборе данных, состоящем из шести типов дефектов после аугментации данных. Экспериментальные результаты показывают, что HG-YOLOv8 достигает точности 97,1% при mAP@0,5, что на 3,8% лучше базовой модели; и точности 57,3% при mAP@0,5:0,95, что на 4,2% лучше. Вычислительная сложность снижена на 4,20 GFLOPs до 2,75GFLOPs, что обеспечивает действительно хороший баланс между точностью и эффективностью, и является надежным техническим решением в промышленной инспекции печатных плат и прецизионном производстве полупроводников.

The printed circuit board (PCB) defect detection is essential to guarantee the quality of electronic products. The current approaches have issues like inability to detect small defects, extreme sensitivity to complicated backgrounds, and poor computational performance on high-resolution PCB images. The paper presents a new HG-YOLOv8 model based on a dual-path collaboration optimization approach. Hybrid Attention Blocks (HABs) are placed at the ends of the backbone network and key nodes of the feature pyramid, fusing channel and window self-attention mechanisms to significantly enhance defect feature representation and suppress background noise. Theoretical analysis determines that a 4 × 4 pixel window size is the best to cover the defect area of a common 32 × 32 pixel defect completely. It is not empirically determined, but it is based on the statistical distribution of defect scales in the dataset and the downsampling factor of the backbone network, which provides a quantitative link between the attention window and the physical sizes of the target defects. At the same time, Ghost convolutions are employed to substitute the standard convolutions entirely, which results in drastic changes in the computational complexity with almost no loss of the feature variety. Industrial-grade detection interface with model loading, image uploading, real-time detection and result visualization features, having an easy-to-use interface and batch processing ability. The training and validation are done on a self-made dataset of defects after data augmentation. Experimental results show that HG-YOLOv8 achieves 97.1% accuracy at mAP@0.5, a 3.8% improvement over the baseline model; and 57.3% accuracy at mAP@0.5:0.95, a 4.2% improvement. The computational complexity is reduced by 4.20 GFLOPs to 2.75 GFLOPs, and it gives a really good balance between accuracy and efficiency, and it is a trustworthy technical solution in industrial PCB inspection and semiconductor precision manufacturing.

• Gao Kairui-thesis (1).pdf
  • Title page thesis 2026_template
  • 没扫Gao Kairui-Assignment for thesis 2026
• A9R1xtsf3r_1inzmqv_11l0.tmp
  • Literature Review
    • Evolution of PCB Defect Detection
    • YOLO-Based Detection in PCB Inspection
    • Attention Mechanisms for Small Defect Enhancement
    • Lightweight Convolution for Edge Deployment
    • Multi-Scale Feature Fusion
    • Data Augmentation and Dataset Construction
    • Hybrid Architectures and Model Integration
    • Vision Transformers in Industrial Inspection
    • Diffusion-Based Data Augmentation for PCB Defects
    • Edge Hardware Deployment for Defect Detection
    • Remaining Challenges
    • Chapter Summary
  • Convolutional Neural Network Fundamentals and Datasets
    • Fundamentals of Convolutional Neural Networks
      • Convolutional Layer
      • Pooling Layer
      • Fully Connected Layer
      • Activation Function
    • Object Detection Algorithms Based on Convolutional Neural Networks
      • Object Detection Task and Technical Taxonomy
      • Two-Stage Object Detection Algorithms
      • One-Stage Object Detection Algorithms
      • Applicability Analysis for Industrial Defect Detection
    • PCB defect detection dataset
      • Dataset Source and Defect Category Overview
      • Data Preprocessing and Augmentation Strategy
      • Dataset Split
    • Chapter Summary
  • Research on PCB Defect Detection Algorithm Based on Deep Learning
    • YOLOv8 Object Detection Algorithm
      • Backbone Feature Extraction Network
      • Feature Fusion Network
      • Prediction Network
      • Loss Function
      • Limitations in PCB Defect Detection
    • YOLOv8 Object Detection Algorithm Optimization
      • Hybrid Attention Module Design
      • Ghost convolution lightweight design
    • Chapter Summary
  • Experiment and Results Analysis
    • Experimental Environment and Configuration
    • Evaluation Metrics
    • Ablation experiment
    • Comparison with Mainstream Algorithms
    • Visualization and Qualitative Analysis
      • Detection Result Comparison
      • Multi-Dimensional Curve Analysis
      • Confusion Matrix Analysis
    • Chapter Summary
  • Design and Implementation of PCB Defect Detection System
    • System Development Overview
    • System Overall Design
    • System Function Module Implementation
      • Data processing module
      • Defect Detection Module
      • Model Training Module
    • Chapter Summary
  • Conclusion
  • Reference List