面向小樣本學(xué)習(xí)的PCB 缺陷智能檢測方法

摘要：目前，深度學(xué)習(xí)模型通常高度依賴大量標(biāo)注數(shù)據(jù)的訓(xùn)練樣本。然而，在實際生產(chǎn)過程中，特別是在工業(yè)缺陷檢測領(lǐng)域，獲取高質(zhì)量標(biāo)注數(shù)據(jù)難度大且成本高。為此，提出了一種基于小樣本學(xué)習(xí)的PCB缺陷智能檢測算法。首先，采用傳統(tǒng)數(shù)據(jù)增強(qiáng)方法和基于擴(kuò)散模型的數(shù)據(jù)增強(qiáng)方法擴(kuò)充樣本，解決樣本數(shù)量過少的問題；其次，基于YOLOv8深度學(xué)習(xí)框架，通過高效的骨干網(wǎng)絡(luò)和檢測頭實現(xiàn)多尺度目標(biāo)檢測；最后，利用PySide6框架開發(fā)了一款智能化的PCB缺陷檢測人機(jī)交互系統(tǒng)。實驗結(jié)果表明，所提方法在10-shot任務(wù)中展現(xiàn)出優(yōu)異的檢測性能，在真實的PCB缺陷數(shù)據(jù)集上達(dá)到了82.9%的檢測精度。

關(guān)鍵詞：小樣本學(xué)習(xí)；PCB缺陷檢測；數(shù)據(jù)增強(qiáng)；YOLOv8；深度學(xué)習(xí)

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）04-0036-06 開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID） ：

0 引言

印刷電路板（Printed Circuit Board，PCB） 是電子器件的基礎(chǔ)部件，其質(zhì)量決定著電子器件的工作效率和穩(wěn)定性。然而，在PCB的制造過程中，由于加工、材料等多種因素，可能會出現(xiàn)諸如裂紋、短路、漏焊等缺陷。因此，及時、準(zhǔn)確地檢測出PCB中的缺陷是保證其質(zhì)量的關(guān)鍵。

目前，PCB缺陷檢測主要分為傳統(tǒng)人工檢測和深度學(xué)習(xí)檢測兩類方法。傳統(tǒng)的檢測方法以手工目視檢查為主，存在效率低、易受人為干擾等問題。隨著深度學(xué)習(xí)的興起，利用深度學(xué)習(xí)技術(shù)自動檢測PCB缺陷已成為研究熱點。沈非堯等人[1]將完整的PCB圖像分割成小圖像塊，并改進(jìn)了Faster R-CNN網(wǎng)絡(luò)進(jìn)行檢測。Liao等人[2]提出了YOLOv4-MN3模型，實現(xiàn)了快速高效的PCB缺陷檢測。Lian等人[3]利用掩膜R-CNN 進(jìn)行缺陷檢測，并在全連接CNN中添加了幾何注意引導(dǎo)的掩膜分支，提高了模型的效率。遲盛元等人[4]引入了SEnet，通過自動學(xué)習(xí)各特征信道的重要性，提升了檢測精度。此外，還創(chuàng)新性地將解耦頭思想引入YOLOv5網(wǎng)絡(luò)，加速了網(wǎng)絡(luò)的收斂速度。

盡管深度學(xué)習(xí)技術(shù)在PCB缺陷檢測方面展現(xiàn)出了巨大潛力，但在實際工業(yè)應(yīng)用中仍面臨諸多挑戰(zhàn)。其中，工業(yè)缺陷樣本量和標(biāo)注量的稀缺性尤為突出。對大量樣本進(jìn)行標(biāo)注需要消耗大量的人力成本，因此，小樣本學(xué)習(xí)成為當(dāng)前深度學(xué)習(xí)領(lǐng)域的研究重點。

小樣本學(xué)習(xí)是一種使用少量訓(xùn)練樣本構(gòu)建準(zhǔn)確機(jī)器學(xué)習(xí)模型的技術(shù)。該概念最早由Li等人[5]于2003 年提出，他們開發(fā)了一種基于貝葉斯理論的無監(jiān)督一次性學(xué)習(xí)方法，能夠在僅有少量圖像樣本的情況下學(xué)習(xí)并識別不同的物體類別。由于小樣本學(xué)習(xí)僅需少量數(shù)據(jù)即可訓(xùn)練模型，從而降低了高昂的標(biāo)注成本，節(jié)省了數(shù)據(jù)資源和計算資源，因此基于小樣本的檢測研究受到廣泛關(guān)注。史燕燕等人[6]和李芳琳[7]對小樣本目標(biāo)檢測進(jìn)行了深入分類研究，將其分為4類，并詳細(xì)探討了各類方法在公共數(shù)據(jù)集上的表現(xiàn)，為后續(xù)研究者提供了清晰的框架和參考。楊明欣等人[8]致力于通過數(shù)據(jù)增強(qiáng)技術(shù)應(yīng)對小樣本問題，使用改進(jìn)的Mo?bileNetV2進(jìn)行訓(xùn)練，并通過一系列數(shù)據(jù)增強(qiáng)策略增加模型的泛化能力。Jang等人[9]提出了一種基于元學(xué)習(xí)的新型遷移學(xué)習(xí)方法，可以自動學(xué)習(xí)從源網(wǎng)絡(luò)轉(zhuǎn)移到目標(biāo)網(wǎng)絡(luò)中的位置信息，并在各種數(shù)據(jù)集和網(wǎng)絡(luò)架構(gòu)上驗證了該方法。賈慧等人[10]將遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)相結(jié)合，加快了模型的收斂速度，提高了模型的識別率和魯棒性。鄭旭[11]為應(yīng)對小樣本導(dǎo)致的過擬合問題，采用通道注意力機(jī)制和融合注意力機(jī)制提取重要特征信息，并構(gòu)造了新的損失函數(shù)以優(yōu)化訓(xùn)練過程。

綜上所述，小樣本目標(biāo)檢測研究已取得一定成果，但仍存在局限性。目前多數(shù)研究基于公共數(shù)據(jù)集，樣本類別多且數(shù)量相對均衡。然而，在實際應(yīng)用中，如本文研究的PCB 數(shù)據(jù)集，樣本類別單一且數(shù)量稀少，即數(shù)據(jù)集中僅包含某一特定類別的目標(biāo)物體。在這種情況下，模型難以從有限的樣本中學(xué)習(xí)到足夠的特征信息，導(dǎo)致檢測性能下降。

針對上述問題，本文研究了基于小樣本學(xué)習(xí)的PCB缺陷智能檢測技術(shù)。本文的主要貢獻(xiàn)如下：1） 針對小樣本集的問題，利用傳統(tǒng)數(shù)據(jù)增強(qiáng)方法和一種基于擴(kuò)散模型（Diffu?sion Model） 的缺陷生成算法擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力，解決因小樣本導(dǎo)致的過擬合問題。2） 基于YOLOv8構(gòu)建一種能夠同時檢測多種PCB缺陷類型的深度學(xué)習(xí)模型，具有較高的檢測精度和較快的檢測速度。3） 設(shè)計一個人機(jī)交互界面，實現(xiàn)檢測結(jié)果的可視化展示。

本研究成果可為電子制造業(yè)提供智能化的質(zhì)量控制解決方案，并為相關(guān)領(lǐng)域的深度學(xué)習(xí)應(yīng)用研究提供參考。

1 本文方法

在深度學(xué)習(xí)領(lǐng)域，數(shù)據(jù)增強(qiáng)技術(shù)已成為提升模型性能的重要策略。當(dāng)前，數(shù)據(jù)增強(qiáng)主要分為兩大類別：傳統(tǒng)數(shù)據(jù)增強(qiáng)和基于擴(kuò)散模型的新興數(shù)據(jù)增強(qiáng)方法。傳統(tǒng)數(shù)據(jù)增強(qiáng)方法通過對原始數(shù)據(jù)進(jìn)行各種變換來增加數(shù)據(jù)的多樣性；而基于擴(kuò)散模型的新興數(shù)據(jù)增強(qiáng)方法則利用生成模型從噪聲中生成新的樣本。這兩種方法各具特色，相互結(jié)合能夠產(chǎn)生更為顯著的效果。

1.1 傳統(tǒng)數(shù)據(jù)增強(qiáng)

傳統(tǒng)數(shù)據(jù)增強(qiáng)在深度學(xué)習(xí)中至關(guān)重要，通過變換和擴(kuò)充原始數(shù)據(jù)來提高模型的泛化能力、魯棒性和預(yù)測精度。主要方法包括：1） 圖像變換。如翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、剪切等，增加圖像多樣性同時保留語義信息。2） 灰度處理。將彩色圖像轉(zhuǎn)為灰度圖像，減少顏色信息干擾，專注于紋理和形狀特征。3） 模糊處理。模擬圖像模糊效果，如運動模糊和高斯模糊，提升模型的魯棒性。4） 噪聲添加。添加隨機(jī)噪聲，如高斯噪聲、椒鹽噪聲，模擬實際噪聲干擾。5） 色彩變換。調(diào)整圖像色彩屬性，如亮度、對比度、飽和度，增加模型對光照變化的魯棒性。

本文使用當(dāng)前廣泛應(yīng)用的圖像增強(qiáng)庫Albumen?tations對數(shù)據(jù)集進(jìn)行擴(kuò)充。Albumentations是一個Py?thon庫，提供了豐富多樣的圖像變換操作，用于快速且靈活地進(jìn)行圖像增強(qiáng)。本文利用Albumentations進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、剪切、隨機(jī)調(diào)整圖像的亮度和對比度、對圖像進(jìn)行高斯模糊以及添加高斯噪聲等數(shù)據(jù)增強(qiáng)操作。部分增強(qiáng)后的圖片如圖1所示。

1.2 基于擴(kuò)散模型的假樣本生成數(shù)據(jù)增強(qiáng)

擴(kuò)散模型（Diffusion Model） 是一種用于生成假樣本的數(shù)據(jù)增強(qiáng)方法，近年來在深度學(xué)習(xí)領(lǐng)域備受關(guān)注。該方法的靈感來源于非平衡熱力學(xué)理論[12]，通過定義擴(kuò)散步驟的馬爾可夫鏈，逐步向數(shù)據(jù)中添加隨機(jī)噪聲，然后學(xué)習(xí)逆向擴(kuò)散過程，從噪聲中重構(gòu)出所需的數(shù)據(jù)樣本。其過程如圖2所示。

擴(kuò)散模型包括兩個主要步驟。

1） 前向擴(kuò)散過程。這是一個固定的（或預(yù)設(shè)的） 過程q，逐漸向圖像中添加高斯噪聲，直到最終得到純噪聲。

2） 反向去噪擴(kuò)散過程。通過訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)，從純噪聲開始逐步去噪，最終生成真實圖像。

前向過程可以視為一個馬爾可夫過程。在馬爾可夫鏈的前向采樣過程中，隨著步數(shù)t 的增大，數(shù)據(jù)逐漸轉(zhuǎn)換為高斯分布。通過逐步累積對輸入數(shù)據(jù)添加高斯噪聲，并結(jié)合馬爾可夫假設(shè)，可以得到擴(kuò)散過程的數(shù)學(xué)表達(dá)式：

式中，βt 是高斯分布方差的超參數(shù)。在擴(kuò)散過程中，隨著t 的增大，xt 逐漸接近純噪聲。當(dāng)t 足夠大時，xt 可以收斂為標(biāo)準(zhǔn)高斯噪聲N （0，1）。逆擴(kuò)散過程是一個去噪推斷過程，從純噪聲逐步去噪生成真實樣本。根據(jù)馬爾可夫規(guī)則，逆擴(kuò)散過程在當(dāng)前時間步t 的狀態(tài)僅取決于上一個時間步t - 1，即：

式中：N 表示高斯分布，μθ 和Σθ 分別表示通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的均值和方差函數(shù)。通過對逆擴(kuò)散過程進(jìn)行建模，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)從噪聲中恢復(fù)真實樣本的能力。

本文利用擴(kuò)散模型對原始數(shù)據(jù)集進(jìn)行擴(kuò)充，將原有的60張圖片擴(kuò)展至725張，從而顯著提高了模型的泛化能力和魯棒性，進(jìn)一步提升了模型的性能。生成的部分假樣本圖片如圖3所示。

2 基于YOLOv8的PCB 缺陷檢測算法

2.1 YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv8 模型如圖4 所示，主要由 Backbone 和Head 兩部分組成，采用特征金字塔（Feature PyramidNetwork，F(xiàn)PN） 結(jié)構(gòu)，通過自下而上、自上而下以及跳層連接的方式進(jìn)行多尺度特征融合。各主要模塊簡介如下。

1） CBS。CBS 由基礎(chǔ)卷積（Conv） 、批量歸一化（BatchNorm） 和激活函數(shù)（Swish） 組成，其結(jié)構(gòu)如圖5所示。CBS模塊定義了所有卷積結(jié)構(gòu)和網(wǎng)絡(luò)的起始結(jié)構(gòu)。同時，它支持不同的激活函數(shù)選項，在神經(jīng)網(wǎng)絡(luò)設(shè)計中具有很強(qiáng)的通用性。

2） C2f。C2f模塊是網(wǎng)絡(luò)的特征提取模塊，其具體結(jié)構(gòu)如圖6所示。該模塊的工作流程概述如下：首先，對輸入的特征圖進(jìn)行一次卷積操作，使通道數(shù)增加至原來的兩倍；隨后，特征圖經(jīng)過 n 個 Bottleneck 模塊逐步提取空間特征；然后，將這n 個 Bottleneck 模塊的輸出特征圖進(jìn)行拼接；最后，通過一次卷積操作對拼接后的特征圖進(jìn)行壓縮，使輸出特征圖具有目標(biāo)通道數(shù)。C2f模塊具有特征聚合和模型壓縮的能力，能夠更有效地整合多尺度信息，減少計算量，同時保持甚至增強(qiáng)模型的表達(dá)能力。

3） Bottleneck。Bottleneck模塊的核心作用在于特征提取和增強(qiáng)。該模塊通過兩次卷積操作以及一次殘差連接來處理輸入的特征圖，以確保信息能夠在網(wǎng)絡(luò)層之間有效傳遞，其結(jié)構(gòu)如圖7所示。

4） SPPF（Spatial Pyramid Pooling Fast） 。SPPF是空間金字塔池化的快速實現(xiàn)，常用于卷積神經(jīng)網(wǎng)絡(luò)中處理不同尺寸的輸入數(shù)據(jù)。該模塊的結(jié)構(gòu)如圖8所示。其工作流程如下：首先，對輸入的特征圖執(zhí)行一次卷積操作，使通道數(shù)減半；隨后，特征圖依次通過三個最大池化層，以提取顯著特征；接著，將這三個池化層的輸出與第一個卷積層的輸出進(jìn)行拼接，拼接后的特征圖通道數(shù)增加至原來的兩倍，從而以較小的計算代價提升模型的感受野。

2.2 基于YOLOv8的PCB 缺陷檢測過程

YOLOv8利用深度學(xué)習(xí)技術(shù)，通過高效的骨干網(wǎng)絡(luò)和檢測頭實現(xiàn)多尺度目標(biāo)檢測。其工作流程如下：首先，輸入圖像經(jīng)過骨干網(wǎng)絡(luò)處理，提取出三個不同尺度的關(guān)鍵特征圖，并輸出相應(yīng)的邊界框及其置信度，這些信息用于表示潛在目標(biāo)的可能位置及其存在的概率。接著，根據(jù)設(shè)定的置信度閾值，篩選出高置信度的邊界框，并通過非極大值抑制技術(shù)（NMS） 去除重疊的邊界框，確保每個目標(biāo)僅被檢測一次。最終，系統(tǒng)將輸出目標(biāo)的類別、邊界框的具體位置以及置信度，作為檢測的最終結(jié)果。

利用YOLOv8網(wǎng)絡(luò)模型訓(xùn)練PCB缺陷數(shù)據(jù)集，并對PCB 缺陷進(jìn)行識別和分類，流程如圖9 所示。首先，對PCB缺陷數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理操作；隨后，利用 labelImg 工具對PCB缺陷特征進(jìn)行標(biāo)注，標(biāo)注完成的圖像被用來構(gòu)建訓(xùn)練和驗證數(shù)據(jù)集，供YOLOv8模型訓(xùn)練使用；最終，通過訓(xùn)練好的YOLOv8模型，實現(xiàn)對PCB缺陷的自動檢測。

3 實驗結(jié)果分析與系統(tǒng)集成

3.1 實驗設(shè)置和環(huán)境

實驗在搭載 Intel（R） Core（TM） i5-10210U CPU、配備 24G 內(nèi)存及 NVIDIA A30 顯卡的 Linux 系統(tǒng)上進(jìn)行調(diào)試。實驗采用 PyTorch 1.10.0 作為深度學(xué)習(xí)框架，使用 Python 3.8.5 作為編程語言，并在 PyCharm 環(huán)境中搭建實驗平臺。

在訓(xùn)練過程中，設(shè)定了100個訓(xùn)練周期（Epochs） ，批處理大小（Batch Size） 設(shè)置為64，利用單卡GPU進(jìn)行加速運算。選擇 Adam 作為優(yōu)化器，動量為0.9，初始學(xué)習(xí)率為0.001。為了進(jìn)一步優(yōu)化和加速訓(xùn)練，采用在COCO數(shù)據(jù)集上預(yù)訓(xùn)練的YOLOv8s模型參數(shù)作為起始權(quán)重。

3.2 數(shù)據(jù)集來源和特點

本文所使用的數(shù)據(jù)集為某工廠提供的真實數(shù)據(jù)集，其中小樣本訓(xùn)練圖片為60張，測試圖片為 2 309 張，共有6種缺陷類別：empty、pin_tilt、crack、normal、less、leak。圖片統(tǒng)一處理為640像素規(guī)格。

3.3 模型評估指標(biāo)

采用機(jī)器學(xué)習(xí)在目標(biāo)檢測領(lǐng)域常用的衡量指標(biāo)：Precision（準(zhǔn)確率） 、Recall（召回率） 和 mAP（mean Aver?age Precision） 作為模型性能評價標(biāo)準(zhǔn)。Precision 的計算公式為：

Preecision = TP／TP + FP （3）

式中：TP 為實際的陽性樣本數(shù)目，F(xiàn)P 是指將負(fù)樣本錯誤標(biāo)注為正樣本的數(shù)目。

Recall（召回率） 的計算公式為：

Recall = TP／TP + FN （4）

式中：FN 表示預(yù)測為負(fù)樣本的正樣本數(shù)。

mAP指標(biāo)綜合考慮了檢測器的準(zhǔn)確率和召回率，能夠更全面地評估模型的性能。其計算公式為：

式中：C 為檢測任務(wù)的總類別數(shù)，AP 為平均精度（Average Precision） ，指所有圖片內(nèi)某一類別的Precision-Recall（PR） 曲線下的面積。mAP 的取值范圍在 [0， 1] 之間，值越高表示模型性能越好。

3.4 PCB 缺陷檢測結(jié)果分析與對比

在小樣本數(shù)據(jù)分類任務(wù)中，通常會用到K-shot概念，其中K表示每個類別的樣本數(shù)量。在實驗中，對比分析了原始PCB缺陷圖像數(shù)據(jù)集與經(jīng)過不同數(shù)據(jù)增強(qiáng)處理后的數(shù)據(jù)集在訓(xùn)練模型性能上的差異。在10-shot任務(wù)上的實驗結(jié)果如表1所示。從表中可以看出，采用不同的數(shù)據(jù)增強(qiáng)策略均能有效提升模型性能。

相較于擴(kuò)散模型，傳統(tǒng)數(shù)據(jù)增強(qiáng)在提升模型性能方面表現(xiàn)更佳。而將二者相結(jié)合，相較于僅使用原始數(shù)據(jù)集訓(xùn)練，模型的mAP提升了9%。這一結(jié)果有力驗證了兩種數(shù)據(jù)增強(qiáng)技術(shù)相結(jié)合在提升模型精度方面的有效性。通過擴(kuò)大數(shù)據(jù)集的規(guī)模并增強(qiáng)其多樣性，有效緩解了過擬合現(xiàn)象。

尤為值得一提的是，模型最終的mAP值達(dá)到了82.9%，這標(biāo)志著在小樣本條件下的 PCB 缺陷檢測任務(wù)中，本文采用的模型展現(xiàn)出卓越的性能。它不僅能夠有效檢測出各種缺陷類型，并且誤檢率較低，這主要歸功于YOLOv8算法的卓越性能和數(shù)據(jù)增強(qiáng)技術(shù)的有效融合。

針對不同數(shù)量的樣本（即2-shot和5-shot） ，本文進(jìn)行了更多的實驗。數(shù)據(jù)增強(qiáng)前后模型的mAP實驗結(jié)果如表 2 所示。從表中可以看出，采用數(shù)據(jù)增強(qiáng)后，無論是2-shot、5-shot還是10-shot，模型的mAP值均取得了明顯的提升。

特別是在2-shot時，數(shù)據(jù)增強(qiáng)使模型的mAP提升了21.8%，這一顯著的提升驗證了本文所提出的兩種數(shù)據(jù)增強(qiáng)策略結(jié)合在提升模型性能方面的有效性。此外，隨著樣本數(shù)量的增加（從2-shot到10-shot） ，檢測精度也展現(xiàn)出了顯著的提升。

圖10展示了10-shot任務(wù)中模型的訓(xùn)練過程。從圖中可以看出，采用數(shù)據(jù)增強(qiáng)后，模型的訓(xùn)練收斂速度明顯加快，并且mAP值顯著提升。

為了進(jìn)一步驗證YOLOv8網(wǎng)絡(luò)框架的優(yōu)越性，將其與YOLOv5和Faster R-CNN 在PCB缺陷檢測任務(wù)上進(jìn)行了比較。10-shot任務(wù)上的實驗結(jié)果如表3所示。可以看出YOLOv8在精度、召回率和平均精度均值（mAP） 3個關(guān)鍵指標(biāo)方面，均顯示出了卓越的水準(zhǔn)。因此，在小樣本數(shù)據(jù)集上，YOLOv8被證明是一種更為有效的算法選擇。

3.5 PCB 缺陷檢測結(jié)果的可視化

采用 PySide6 框架開發(fā)了一款智能化的 PCB 缺陷檢測系統(tǒng)。系統(tǒng)檢測主界面如圖 11 所示，主要包括 PCB 缺陷檢測結(jié)果的可視化展示、反饋及存儲功能。該系統(tǒng)能夠自動識別并檢測上傳的 PCB 圖片或視頻中的多種常見缺陷類型，包括 empty、pin_tilt、crack、normal、less、leak 等，并輸出相應(yīng)的類別信息，為自動化 PCB 質(zhì)量檢測提供了堅實的支持。

系統(tǒng)使用流程包括登錄、圖片上傳及智能檢測等環(huán)節(jié)。用戶可通過點擊“模型選擇”按鈕，將訓(xùn)練完成的 YOLOv8 網(wǎng)絡(luò)模型加載至系統(tǒng)。隨后，點擊“本地文件”上傳需要檢測的 PCB 圖像，再點擊界面下方的小三角形按鈕開始檢測。檢測結(jié)果會即時展示在界面上，內(nèi)容涵蓋總類別數(shù)、類別標(biāo)簽和置信度等信息。圖12 顯示了檢測的原始圖像（左） 和檢測結(jié)果樣例（右） 。圖 13 展示了檢測圖片放大后的效果，方框自動標(biāo)記了缺陷的范圍、類型和置信度。此外，該系統(tǒng)還支持對攝像頭視頻流的實時監(jiān)測，便于統(tǒng)計流水線上的 PCB 產(chǎn)品并檢測其缺陷。同時，系統(tǒng)還提供了結(jié)果的記錄、展示及保存功能，全面滿足用戶的多元化需求。

4 結(jié)論

針對小樣本 PCB 缺陷檢測的特點，本文采用傳統(tǒng)數(shù)據(jù)增強(qiáng)與擴(kuò)散模型相結(jié)合的方法，有效實現(xiàn)了數(shù)據(jù)的增強(qiáng)與擴(kuò)充，緩解了網(wǎng)絡(luò)的過擬合問題，提升了檢測精度。同時，基于 YOLOv8 深度學(xué)習(xí)框架，對PCB 缺陷特征進(jìn)行了自動學(xué)習(xí)，實現(xiàn)了快速、準(zhǔn)確地檢測。此外，開發(fā)了智能化的 PCB 缺陷檢測系統(tǒng)，實現(xiàn)了檢測結(jié)果的可視化展示。

實驗結(jié)果表明，所提方法在小樣本條件下取得了優(yōu)異的檢測性能，對實際工業(yè)應(yīng)用具有重要意義。未來工作將致力于進(jìn)一步優(yōu)化模型，提高其在復(fù)雜場景下對 PCB 缺陷的檢測能力，為工業(yè)智能化發(fā)展提供有力支持。

參考文獻(xiàn)：

1] 沈非堯.基于深度學(xué)習(xí)的PCB裸板缺陷檢測技術(shù)研究[D].成都：西華大學(xué)，2020.

[2] LIAO X T，LV S P，LI D H，et al.YOLOv4-MN3 for PCB surfacedefect detection[J].Applied Sciences，2021，11（24）：11701.

[3] LIAN J，WANG L T，LIU T Y，et al.Automatic visual inspectionfor printed circuit board via novel Mask R-CNN in smart cityapplications[J]. Sustainable Energy Technologies and Assess?ments，2021（44）：101032.

[4] 遲盛元，白巖，孟祥民.基于YOLOv5的PCB缺陷檢測算法研究[J].科學(xué)技術(shù)創(chuàng)新，2024（1）：106-109.

[5] LI F F， FERGUS R， PERONA P. A Bayesian Approach to Un?supervised One-Shot Learning of Object Categories[C]//IEEEInternational Conference on Computer Vision. IEEE， 2003：1134-1141.

[6] 史燕燕，史殿習(xí)，喬子騰，等.小樣本目標(biāo)檢測研究綜述[J].計算機(jī)學(xué)報，2023，46（8）：1753-1780.

[7] 李芳琳.面向小樣本數(shù)據(jù)的分類與檢測方法及應(yīng)用研究[D].南京：南京郵電大學(xué)，2022.

[8] 楊明欣，張耀光，劉濤.基于卷積神經(jīng)網(wǎng)絡(luò)的玉米病害小樣本識別研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報（中英文），2020，28（12）：1924-1931.

[9] JANG Y， LEE H， HWANG S J， et al. Learning what and whereto transfer[C]//Proceedings of the 36th International Conferenceon Machine Learning. Long Beach： PMLR， 2019： 3030-3039.

[10] 賈惠，伍希志，薛洋，等.基于遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)的小樣本柑橘缺陷檢測研究[J].農(nóng)業(yè)與技術(shù)，2024，44（2）：23-27.

[11] 鄭旭.基于少樣本學(xué)習(xí)的PCB裸板缺陷分類研究[D].武漢：湖北工業(yè)大學(xué)，2021.

[12] 全海濤，董輝，孫昌璞.介觀統(tǒng)計熱力學(xué)理論與實驗[J].物理學(xué)報，2023，72（23）：32-49.

【通聯(lián)編輯：唐一東】

基金項目：國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（202310602071） 資助；廣西科技計劃項目 （桂科AD23026225） 資助；認(rèn)知無線電與信息處理教育部重點實驗室基金項目（CRKL230205） 資助