基于改進YOLOv8s的輕量化PCB板缺陷檢測方法

摘要：為了解決傳統PCB板缺陷檢測效率低下，檢測精度較低的情況，文章提出了一種改進YOLOv8的輕量化PCB板缺陷檢測方法。骨干網絡使用改進的感受野注意力卷積（RceptiveFiled Attention Convolution，RFAConv）代替原模型中的標準卷積，克服了卷積核參數共享的難題，提高了檢測精度；頭部網絡使用P2和ASF進行改進，因為小目標通常在圖像中占據較少的像素，所以更容易被忽略或誤判，引入P2小目標檢測層使YOLOv8能夠更有效地檢測小目標物體；注意力尺度序列融合ASF可以有效地增強網絡的多尺度信息提取能力。實驗結果表明，相較于基準模型，改進后的算法參數量減少了159%，檢測精度（mAP@50-95）提高了24%，有效地降低了模型的參數，提高了檢測精度。

關鍵詞：YOLOv8；特征提取；輕量化；目標檢測

中圖分類號：TP39141文獻標志碼：A

0引言

作為現代電子設備中必不可少的組成部分，PCB板在連接各種電子元件、實現復雜電路功能方面扮演著核心角色。隨著現代電子工業的迅猛發展和電子技術的不斷革新，PCB密集度不斷增大，層級越來越多，然而，在生產過程中存在焊接缺陷等各種問題，導致PCB板合格率降低，進而影響整機質量的事故屢見不鮮。因此，PCB板的缺陷檢測已成為整個電子行業中重要的檢測內容。

PCB板采用的機器學習檢測方法主要分為傳統機器學習檢測方法和基于深度學習的檢測方法2種［1］。而目前研究較多的是基于深度學習的神經網絡檢測方法。常見的神經網絡檢測方法有Faster RCNN［2］、YOLOv4［3］、YOLOv5［4］、YOLOv7［5］等。隨著社會的快速進步與發展，神經網絡檢測方法已然成為研究各個領域的重要工具。神經網絡具有良好的通用性、魯棒性以及很好的泛化能力，其計算過程可以并行處理，極大地提高了計算的效率。

針對目前PCB板的檢測效率不高的問題，本文在原YOLOv8的基礎上通過改進［6-8］，將RFAConv網絡、ASF網絡和P2模塊有效結合，有效降低了算法參數，提高了檢測精度。

1YOLOv8改進網絡模型及介紹

11YOLOv8原網絡及改進后網絡模型

YOLOv8是Ultralytics公司最新推出的YOLO系列目標檢測算法。YOLOv8主要借鑒了YOLOv5、YOLOv6、YOLOX等模型的設計優點，其本身創新點不多，偏重于工程實踐，在全面提升改進YOLOv5模型結構的基礎上實現，同時保持了YOLOv5工程化簡潔易用的優勢。

本文以 YOLOv8s為基礎，面向PCB板缺陷檢測提出了改進的輕量化 YOLOv8s 模型。該模型在降低參數量的同時，成功地提高了檢測精度。YOLOv8原模型的網絡結構如圖1所示，改進后的YOLO模型如圖2所示。

12感受野注意力卷積改進網絡

在骨干網絡的改進方面，模型引入了RFAConv。現有空間注意機制雖然解決了基本的參數共享問題，但是對于更大的卷積層仍然存在局限性，特別是在提升特征在感受野中的重要性方面。目前的方法如CBAM和CA在處理這一問題上的效果有限。為了解決這些問題，研究人員提出了新的感受野注意機制（ReceptiveField Attention，RFA），不僅克服了卷積核參數共享的難題，還通過RFAConv操作，能夠更好地關注單個特征在不同區域中的重要程度。

這種新的卷積操作RFAConv僅僅需要少許參數和計算成本的增加，便能夠顯著提升神經網絡的整體性能。RFAConv被視為一種跨越性的改進，能夠取代現有網絡中的經典卷積操作，尤其是在須要處理大量數據和復雜任務時表現出更為優越的能力。

本文網絡基于參數考慮，為了不增加過多的計算量，只使用RFAConv對網絡骨干部分的標準卷積進行替換，而頭部網絡仍然使用標準卷積。這樣做既能夠顯著提升網絡的整體性能，又沒有過多地增加參數量。

13ASFP2改進網絡

ASF（Adaptive Scale Fusion）是一種在YOLO框架基礎上改進的目標檢測模型，專門設計用于實現高效精準的細胞實例分割。該模型通過集成多個創新模塊，如尺度序列特征融合（Scale Sequence Feature Fusion，SSFF）模塊、三重特征編碼器（Triple Feature Encoder，TFE）模塊以及通道和位置注意力機制（Channel and Position Attention Mechanism，CPAM），顯著提高了處理小而密集、重疊物體時的性能。這些模塊協同工作，增強了模型的多尺度信息提取能力，能夠精細地捕捉小物體的細節信息并強化對重要通道和空間位置特征的關注，從而大幅提升檢測和分割的準確性。作為一款基于YOLO框架優化的目標檢測模型，ASFYOLO不僅在細胞實例分割領域表現卓越，其多尺度特征提取、特征融合及細節強化與注意力機制等技術特性，也高度匹配缺陷檢測領域的實際需求。在缺陷檢測應用中，ASFYOLO能夠靈活應對不同尺寸、形狀和方向的缺陷，提升對細微或局部特征的識別敏感度，智能調節對關鍵通道與空間位置的關注度，進而實現更高的檢測精度。無論是應用于工業產品表面的缺陷檢測、基礎設施的智能化巡檢，還是醫學影像的深入分析，ASFYOLO都展示出廣闊的應用前景，有望助力工業自動化、智慧巡檢以及醫療服務等領域實現技術進步與創新發展。

YOLOv8通過引入P2層，增強了對小目標的檢測能力，同時通過結構優化，提高了模型對多尺度信息的處理能力。這些改進使得YOLOv8在目標檢測任務中表現更加出色，尤其是在處理小目標和高分辨率圖像方面，展現最佳的檢測性能。

14數據集及評價指標

本實驗的原數據采用了北京大學智能機器人開放實驗室提供的PCB缺陷數據集。數據集共有1386張圖像，包含6種缺陷，分別是漏焊、鼠咬、開路、短路、毛刺、余銅。考慮數據樣本較少，無法滿足實驗需求，本研究對圖像進行了降低圖像質量、改變亮度及添加噪聲等操作并對數據集進行了擴充，變為6930張圖片，按照7∶2∶1的比例劃分為訓練集、驗證集、測試集。實驗結果表明，本文改進模型在實現輕量化的同時，有效提高了模型檢測精度。

2對比及消融實驗結果分析

21對比實驗及結果分析

將本文改進后的模型與Faster RCNN、YOLOv4、YOLOv5s、YOLOv7-tiny以及YOLOv8s原模型進行對比可知，在模型參數方面，改進后的模型參數下降到244 M，與YOLOv8s原模型相比減少了159%；與其他幾種模型相比，參數量減少了138%以上，降參效果明顯。在檢測精度方面，與YOLOv8s原模型相比，mAP@50-95從598%提高到622%，提升了24個百分點；與其他幾種模型相比，檢測精度提升更加明顯。具體對比數據如表1所示。

22消融實驗及結果分析

為了驗證改進有效性，本次實驗還使用了DeepPCB缺陷數據集進行消融實驗，通過對比發現，P和R參數相比于原模型分別提高了09%和06%。實驗結果如表2所示。

23實驗小結

實驗結果表明，改進后的YOLOv8網絡在實現模型參數輕量化的同時，提高了檢測精度。輕量化的參數便于模型在硬件設備中部署安裝，能夠對本地數據進行實時處理與交互，控制資源消耗，從而降低成本；檢測精度的提高，提升了檢測性能，達到了PCB板缺陷檢測優化的預期效果，充分滿足了實際應用場景的要求。

3結語

本文針對PCB小目標缺陷檢測中面臨的挑戰，提出了基于改進YOLOv8s的算法優化方案。通過增設小目標檢測層和小目標檢測頭、引入感受野注意力卷積、ASF網絡和P2改進等一系列創新措施，顯著提升了模型對小目標缺陷的檢測能力和精度。實驗結果表明，優化后的模型在PCB小目標數據集上取得了優異的成績，不僅降低了參數量，還提高了模型的檢測精度。這一成果對于提升PCB生產的自動化水平和質量控制具有重要意義。

參考文獻

［1］吳一全，趙朗月，苑玉彬，等.基于機器視覺的PCB缺陷檢測算法研究現狀及展望［J］.儀器儀表學報，2022（8）：1-17.

［2］WANG W K，MENG P，HUANG W J，et al.Improved faster RCNN algorithm for transmission line small target detection［J］.Neural Computing for Advanced Applications，2022（21）：427-441.

［3］鄒龍洲，王文韞，郭迎福，等.基于改進YOLOv4的風力機葉片損傷檢測方法［J］.太陽能學報，2024（7）：718-723.

［4］范鈞瑋，饒全瑞，趙薇，等.改進的YOLOv5雙影像光伏故障小目標檢測［J］.太陽能學報，2024（7）：510-516.

［5］湯占軍，張朝杰，王健，等.基于改進YOLOv7的風機葉片缺陷檢測研究［EB/OL］.（2024-08-30）［2025-01-20］.https：//kns.cnki.net/kcms2/article/abstract？v=i_LPdPvRpB7F9iiYuvY6Ng7mAagahbzG4Fe0xMeM GDxm2P7AtrKwExJuZeH60Ulk7Z35ib06xjY3AqmzDoO KGR73k48nID_0DWi775h6frR6B7mAwQk3jDiFLs9ki PBawjPlaXUMQUxUXcpH9IxFZm6pc11n6LzElMUnueSg ai0Hc03Ku7YMG90W7Ajqu0h1amp;uniplatform=NZKPTamp; language=CHS.

［6］胡衛昊，唐超禮.輕量級YOLOv8在復雜天氣下的絕緣子缺陷檢測［EB/OL］.（2024-09-26）［2024-12-24］.https：//kns.cnki.net/kcms2/article/abstract？v=i_LPdPvRpB489ej1Bfy4N_ZWtNhsTDJTbjK_mpkny CWANDP8EX5huXkBat2cEKZdZSR3_l9XsWGs41nas6 zYK569qOT2ULytH9pHsbxdIOk_AVoZQlKE7rTr95yvFL QudLQTKn79hLr_xhK6Rp9OAAHGX4SHCgR0C3tZFRf WjUIEAftltq1XZLMGHAToDzamp;uniplatform=NZKPTamp;la nguage=CHS.

［7］王健，肖迪，馮李航，等.基于改進YOLOv8s的PCB小目標缺陷檢測模型［EB/OL］.（2024-08-20）［2024-12-24］.https：//kns.cnki.net/kcms2/article/abstract？v=i_LPdPvRpB6oJWJJCOzgTvy5P2fFXJQo Owhk9KifMHZ6TiJre0TYrsnkoVBy1-KeapUXTpbUmg ik8Cu5vnDo2-pfatGgBkvoZxdpAzlePkqzjJ04c-5hj6Nr OfRTqfJViz5-VBNSC6wQjYXIzWffsyEdfKNOnqaPweJfZ L2P_c6iiJWNM5M7mYUmO9FbHfamp;uniplatform=NZK PTamp;language=CHS.

［8］張淑卿，孟昊，葛超.改進YOLOv8n的輕量級PCB缺陷檢測算法［J］.現代電子技術，2024（15）：115-121.

（編輯王雪芬）