VR-YOLO：基于YOLO的提升PCB缺陷检测视角鲁棒性方法
计算机视觉与模式识别
2025-07-08 v1 图像与视频处理
摘要
大规模电路与系统的集成强调了电子组件自动缺陷检测的重要性。YOLO图像检测模型已用于PCB缺陷检测，成为传统工业生产中典型的人工智能辅助案例。然而，传统检测算法对目标图像的角度、方向和清晰度要求严格。本文提出一种基于YOLOv8模型的增强型PCB缺陷检测算法，命名为VR-YOLO，旨在提高模型在实际应用场景中的泛化性能，增强视角鲁棒性。我们首先提出多样化场景增强（Diversified Scene Enhancement, DSE）方法，通过纳入多样化场景并对样本进行分割来扩充PCB缺陷数据集，以提高目标多样性。随后提出一种新颖的关键对象聚焦（Key Object Focus, KOF）方案，考虑角度损失并引入额外注意力机制，以增强小目标特征的细粒学习。实验结果表明，我们改进的PCB缺陷检测方法在原始测试图像上实现98.9%的平均精度（mean average precision, mAP），在视角偏移（水平和垂直剪切系数为±0.06，旋转角度为±10度）的测试图像上达到94.7%，显著优于基线YOLO模型，同时几乎没有额外的计算开销。
引用
@article{arxiv.2507.02963,
title = {VR-YOLO: Enhancing PCB Defect Detection with Viewpoint Robustness Based on YOLO},
author = {Hengyi Zhu and Linye Wei and He Li},
journal= {arXiv preprint arXiv:2507.02963},
year = {2025}
}