YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images

随着PCB制造业的快速增长，越来越需要计算机视觉检测来在生产过程中检测缺陷。提高PCB缺陷检测模型的准确性和泛化性仍然是一个重大挑战。本文提出了一种基于深度卷积神经网络（CNN）的高精度、鲁棒性和实时端到端PCB缺陷检测方法。传统方法通常存在低准确性和有限适用性的问题。我们提出了一种新颖的方法，结合了YOLOv5和多尺度模块，用于分层残差连接。在PCB缺陷检测中，噪声可能会混淆背景和小目标。YOLOv5模型通过其实时处理和准确的目标检测能力提供了坚实的基础。多尺度模块通过在单个块中结合分层残差连接来扩展传统方法，实现多尺度特征提取。这个即插即用的模块通过在多个尺度和级别上提取特征来显著提高性能，这些特征对于识别不同大小和复杂度的缺陷非常有用。我们的多尺度架构将特征提取、缺陷定位和分类集成到一个统一的网络中。在大规模PCB数据集上的实验表明，与现有方法相比，精度、召回率和F1得分都有显著提高。这项工作推动了PCB缺陷检测的计算机视觉检测，为PCB制造业提供了可靠的高精度、鲁棒性、实时和域自适应的缺陷检测解决方案。

提高PCB缺陷检测模型的准确性和泛化性是当前PCB制造业中的一个重要挑战。

本文提出了一种基于深度卷积神经网络的高精度、鲁棒性和实时性的端到端PCB缺陷检测方法，结合了YOLOv5和多尺度模块，采用分层残差连接。

实验结果表明，该方法相比现有方法在精度、召回率和F1-score等方面均有显著提高。

最近在该领域的相关研究包括“PCB缺陷检测中的基于深度学习的方法”和“基于卷积神经网络的PCB缺陷检测方法”等。