BoardVision：基于 YOLO+Faster-RCNN 集成的部署就绪型和鲁棒主板缺陷检测
计算机视觉与模式识别
2025-10-17 v1 机器学习
摘要
主板缺陷检测对于确保高批量电子制造的可靠性至关重要。虽然 PCB 检查的 prior research 主要针对裸板或走线级别的缺陷，但对完整主板的装配级别检查仍属未充分探索的领域。本文提出 BoardVision，一个用于检测装配级别缺陷（如缺失螺丝、松动风扇线束、表面划痕）的可复现框架。我们在 MiracleFactory 主板数据集上对两种代表性检测器——YOLOv7 和 Faster R-CNN——进行受控测试，提供了该领域首个系统性比较。为缓解单模型局限性，其中 YOLO 在精度上表现突出但召回率不足，而 Faster R-CNN 反之，我们提出一种轻量级集成方法 Confidence-Temporal Voting（CTV Voter），通过可解释规则平衡精度和召回率。我们进一步评估了在现实扰动（包括锐度、亮度和方向变化）下的鲁棒性，强调了该领域常被忽视的稳定性挑战。最后，我们发布了一个可部署的 GUI 驱动的检查工具，将研究评估与操作员可用性联系起来。这些贡献共同展示了计算机视觉技术如何从基准结果过渡到实际的装配级别主板制造质量保证。
关键词
引用
@article{arxiv.2510.14389,
title = {BoardVision: Deployment-ready and Robust Motherboard Defect Detection with YOLO+Faster-RCNN Ensemble},
author = {Brandon Hill and Kma Solaiman},
journal= {arXiv preprint arXiv:2510.14389},
year = {2025}
}
备注
This paper has been submitted to IEEE/CVF WACV 2026 Applications track and is currently under review