基于剪枝和轻量化网络改进的YOLOv8多尺度PCB缺陷检测
计算机视觉与模式识别
2025-07-24 v1
摘要
随着印刷电路板(PCB)设计的高密度化和生产的高速化，传统的PCB缺陷检测模型难以兼顾精度和计算成本，无法满足微小缺陷的高精度和实时检测要求。因此，本文采用小目标敏感策略、网络轻量化和自适应剪枝的综合策略，对基于YOLOv8的多尺度PCB缺陷检测方法进行了改进，通过优化骨干网络、颈部网络、检测头、损失函数和自适应剪枝率，能够提高检测速度和精度。首先，在骨干网络中使用参数更少的Ghost-HGNetv2结构，并利用多层次特征提取图像语义特征以发现精确缺陷。其次，在颈部部分集成了参数数量较少的C2f-Faster，以增强多级特征融合的能力。接着，在Head部分，我们设计了一个新的GCDetect检测头，它允许边界框和类别的预测共享GroupConv的权重，并使用少量分组卷积完成回归和分类任务，在保持检测精度的同时显著减少了参数数量。我们还设计了Inner-MPDIoU边界损失函数，以改善微小目标的检测和定位。最后，通过优化的自适应剪枝率对模型进行剪枝，以进一步降低模型复杂度。实验结果表明，该模型在精度和速度方面均表现出优势。在公开的PCB缺陷数据集上，mAP0.5达到99.32%，mAP0.5:0.9达到75.18%，相比YOLOv8n提高了10.13%。
引用
@article{arxiv.2507.17176,
title = {Multi-Scale PCB Defect Detection with YOLOv8 Network Improved via Pruning and Lightweight Network},
author = {Li Pingzhen and Xu Sheng and Chen Jing and Su Chengyue},
journal= {arXiv preprint arXiv:2507.17176},
year = {2025}
}