集成CycleGAN与YOLO的PCB红外缺陷检测深度学习模型应用研究
计算机视觉与模式识别
2026-05-05 v2 机器学习
机器人学
摘要
本文针对印刷电路板(PCB)红外(IR)数据稀缺的关键瓶颈问题，提出一种集成CycleGAN与YOLO的跨模态数据增强框架。不同于传统方法依赖配对监督，我们利用CycleGAN进行无配对图像到图像转换，将丰富的可见光PCB图像映射到红外领域。该生成过程合成高保真伪红外样本，既保留缺陷的结构语义，又准确模拟热分布模式。随后，我们构建了异构训练策略，将生成的伪红外数据与有限的真实红外样本融合，用于训练轻量级YOLOv8检测器。实验结果表明，该方法在低数据条件下有效提升特征学习。增强后的检测器显著优于仅使用有限真实数据训练的模型，接近完全监督训练的性能水平，证明了伪红外合成作为工业检查中稳健的数据增强策略的有效性。
引用
@article{arxiv.2601.00237,
title = {Application Research of a Deep Learning Model Integrating CycleGAN and YOLO in PCB Infrared Defect Detection},
author = {Chao Yang and Haoyuan Zheng and Yue Ma},
journal= {arXiv preprint arXiv:2601.00237},
year = {2026}
}
备注
Authors have conflict of interest