摘" 要： 針對(duì)當(dāng)前印刷電路板（PCB）缺陷檢測存在的檢測精度低、速度慢等問題，設(shè)計(jì)一種基于改進(jìn)YOLOv7的Wise?YOLOv7算法。首先，在原有self?attention的基礎(chǔ)上加入焦點(diǎn)調(diào)制網(wǎng)絡(luò)，將不同粒度級(jí)別的空間特征匯總為調(diào)制器，以自適應(yīng)的方式注入查詢操作中，省去大量交互和聚合操作，從而使得模型輕量化；其次，利用RCSOSA模塊減少特征圖的通道數(shù)量，同時(shí)增強(qiáng)相鄰層特征不同通道間的信息交流，提高模型對(duì)PCB小目標(biāo)缺陷的特征提取能力和數(shù)據(jù)處理效率；最后，選用動(dòng)態(tài)非單調(diào)焦點(diǎn)機(jī)制的Wise?IoU損失函數(shù)來加強(qiáng)對(duì)高質(zhì)量錨盒的選取，優(yōu)化目標(biāo)檢測器的性能。與YOLOv7基礎(chǔ)算法相比，改進(jìn)算法將平均精度由92.0%提高至96.1%，提高了4.1%，檢測時(shí)間由21.9 ms縮短到17.9 ms，改進(jìn)算法在精度和速度上都有明顯提升。

關(guān)鍵詞： 印刷電路板； 缺陷檢測； YOLOv7算法； 深度學(xué)習(xí)； 焦點(diǎn)調(diào)制網(wǎng)絡(luò)； RCSOSA模塊； Wise?IoU損失函數(shù)

中圖分類號(hào)： TN41?34； TP391.41" " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " 文章編號(hào)： 1004?373X（2025）08?0007?06

PCB defect detection based on deep learning

CHEN Jianhao， XU Jie， WANG Zhifeng

（School of Intelligent Manufacturing and Control Engineering， Shanghai Second University of Technology， Shanghai 201209， China）

Abstract： In allusion to the current printed circuit board （PCB） defect detection problems such as low detection accuracy and slow speed， a Wise?YOLOv7 algorithm based on improved YOLOv7 is designed. A focus modulation network is added on the basis of the original self?attention， and spatial features of different granularity levels are aggregated into modulators and injected into the query operation by means of adaptive way， which can eliminate a large number of interaction and aggregation operations， thus making the model lightweight. The RCSOSA module is used to reduce the number of channels of the feature map， and the information exchange between different channels of adjacent layer features is enhanced， so as to improve the feature extraction capability of the model for small target defects of PCB and the data processing efficiency. The Wise?IoU loss function with dynamic non?monotonic focus mechanism is selected to enhance the selection of high?quality anchor boxes and optimize the performance of the target detector. In comparison with the YOLOv7 base algorithm， the improved algorithm can increase the average accuracy from 92.0% to 96.1%， which is an improvement of 4.1%， and can shorten the detection time from 21.9 ms to 17.9 ms.The improved algorithm has a significant improvement in both accuracy and speed.

Keywords： printed circuit board; defect detection; YOLOv7 algorithm; deep learning; focus modulation network; RCSOSA module; Wise?IoU loss function

0" 引" 言

印刷電路板（PCB）在電路元件和設(shè)備之間提供電氣連接，其質(zhì)量影響著電子產(chǎn)品的功能和使用壽命[1]。目前，大多數(shù)印刷電路板（PCB）都存在設(shè)計(jì)或制造缺陷[2]，這些問題會(huì)導(dǎo)致電子設(shè)備出現(xiàn)故障。因此，快速準(zhǔn)確地檢測印刷電路板缺陷已成為近年來的重要研究課題[3]。隨著圖像處理從傳統(tǒng)的基于顏色特征或紋理識(shí)別的方式逐漸發(fā)展到基于機(jī)器學(xué)習(xí)的檢測方法，再到如今基于深度學(xué)習(xí)的目標(biāo)檢測模型，PCB工業(yè)檢測水平得到了顯著提升[4]。特別是隨著深度學(xué)習(xí)的不斷演進(jìn)，許多基于輕量級(jí)模型的檢測算法不斷被嘗試應(yīng)用在PCB缺陷檢測任務(wù)上[5]。

傳統(tǒng)的印刷電路板缺陷檢測存在一系列問題，如檢測效率低、耗時(shí)長、誤檢率高，且受人為主觀因素的影響較大，這極大地降低了企業(yè)的產(chǎn)能，難以滿足現(xiàn)代PCB檢測的要求[6]。相比之下，基于深度學(xué)習(xí)的PCB缺陷檢測主要以實(shí)現(xiàn)自動(dòng)光學(xué)檢測（Automated Optical Inspection， AOI）為目標(biāo)，要求深度學(xué)習(xí)網(wǎng)絡(luò)能夠準(zhǔn)確且迅速地從圖像中識(shí)別出目標(biāo)[7]。這一領(lǐng)域的算法可以大致分為兩類：一是采用基于區(qū)域建議的R?CNN、Fast R?CNN和Faster R?CNN雙階段缺陷檢測算法[8]；二是使用端到端的SSD和YOLO系列網(wǎng)絡(luò)單階段缺陷檢測算法。文獻(xiàn)[9]提出了改進(jìn)的Faster R?CNN特征金字塔結(jié)構(gòu)，該結(jié)構(gòu)有效利用了深層特征圖的語義信息，能更好地檢測微小缺陷。文獻(xiàn)[10]將Faster R?CNN與YOLOv2結(jié)合，解決了虛焊、漏焊等6類焊接檢測問題，但檢測效率還不夠高。文獻(xiàn)[11]通過使用K?means++聚類方法對(duì)YOLOv4算法進(jìn)行改進(jìn)，獲取先驗(yàn)框，檢測精度較高，但小目標(biāo)漏檢率也較高。然而，這些方法無法在準(zhǔn)確性和檢測速度之間取得足夠的平衡。

針對(duì)以上PCB缺陷檢測問題，本文提出一種基于改進(jìn)YOLOv7的Wise?YOLOv7算法。首先，為了使YOLOv7模型變得輕量化，在原有自注意力機(jī)制的基礎(chǔ)上引入焦點(diǎn)調(diào)制網(wǎng)絡(luò)，省去大量交互和聚合操作[12]；其次，為了解決小目標(biāo)缺陷的問題，利用RCSOSA模塊減少特征圖的通道數(shù)量，同時(shí)增強(qiáng)相鄰層特征不同通道間的信息交流[13]；再選用Wise?IoU損失函數(shù)來加強(qiáng)對(duì)高質(zhì)量錨盒的選取，優(yōu)化目標(biāo)檢測器的性能；最后，使用自監(jiān)督學(xué)習(xí)的圖像方法來豐富數(shù)據(jù)集，提高圖像的可讀性[14]。本文方法提升了目標(biāo)圖像的識(shí)別性能，從而提高了識(shí)別準(zhǔn)確率和檢測速度。

1" Wise?YOLOv7算法

本文對(duì)YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了三處改進(jìn)。首先是加入Focal Modulation模塊和改進(jìn)的RCSOSA模塊，減輕工作量以及加強(qiáng)對(duì)小目標(biāo)缺陷的特征提取能力。其次在特征金字塔融合階段，實(shí)現(xiàn)自下而上特征層到自上而下特征層的反饋連接。該方法能夠?qū)崿F(xiàn)低水平的反饋傳播，從而有效地優(yōu)化特征融合過程。通過利用這些反饋連接，網(wǎng)絡(luò)可以更好地捕捉目標(biāo)的多尺度特征，從而產(chǎn)生更高的檢測效率。最后采用Wise?IoU損失函數(shù)替換CIoU損失函數(shù)，提高高質(zhì)量錨框的收斂精度。

Wise?YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

1.1" Focal Modulation模塊

由于PCB缺陷會(huì)以各種大小和形狀出現(xiàn)，導(dǎo)致目標(biāo)的準(zhǔn)確識(shí)別和精準(zhǔn)定位比較困難。原有的self?attention涉及大量的查詢鍵交互，以及查詢大量空間特征需要進(jìn)行大量的查詢值聚合，因此在self?attention的基礎(chǔ)上引入Focal Modulation模塊，將不同粒度級(jí)別的空間特征匯總為調(diào)制器，以自適應(yīng)的方式注入查詢令牌，省去大量交互和聚合操作，從而使得模型輕量化。該模塊能夠提高模型對(duì)于復(fù)雜目標(biāo)的檢測性能，這有助于在PCB缺陷檢測中準(zhǔn)確識(shí)別各種類型的缺陷，從而提高檢測質(zhì)量和可靠性。Focal Modulation模塊結(jié)構(gòu)如圖2所示，其公式如下所示：

式中：[yi]表示輸出的特征值；[xi]表示輸入特征圖中的一個(gè)特定位置（或稱為token）；[q（·）]表示查詢投影函數(shù)，它將輸入特征[xi]映射到一個(gè)新的特征空間；“[⊙]”為元素逐項(xiàng)相乘，表示在特征級(jí)別上的融合；[m（·）]為特征聚合函數(shù)，它從整個(gè)輸入特征圖[X]中為給定的位置[i]提取相關(guān)的特征信息。這一步利用了多尺度的分層特征化和門控聚合方法，從而考慮了從局部到全局的各種特征。引入Focal Modulation模塊的目的是對(duì)于輸入特征圖中的每一個(gè)位置，都結(jié)合其周圍的特征信息進(jìn)行調(diào)整和增強(qiáng)，從而得到一個(gè)新的特征表示。這是通過查詢映射和特征聚合來實(shí)現(xiàn)的。

[m（·）]聚合過程包括兩個(gè)步驟，具體如下。

1） 分層語義化（Hiemarchical Contextualization），在不同粒度級(jí)別從局部到全局范圍內(nèi)提取特征信息。

首先，輸入特征圖[X]被投影到一個(gè)新的特征空間，表示為：

接著使用深度卷積（Depth?wise Convolution）進(jìn)行逐級(jí)的語義化。對(duì)于每個(gè)層級(jí)[l]，輸出公式表示為：

式中[fla]是第[l]層的語義化函數(shù)。此方法生成了[l]個(gè)不同尺度的特征圖，每個(gè)層級(jí)有其特定的感受野范圍。

2） 采用門控聚合（Gated Aggregation）將不同粒度級(jí)別的通過分層語義化得到的多個(gè)特征圖濃縮為單個(gè)特征圖，即調(diào)制器。對(duì)于每個(gè)位置，首先計(jì)算一個(gè)門控權(quán)重[G]，表示為[G=fg（x）]，該權(quán)重決定了不同尺度特征圖的貢獻(xiàn)度。使用這些權(quán)重，多個(gè)特征圖被融合為一個(gè)單一的輸出特征圖，公式為：

式中[Gl]是[G]的一個(gè)切片，對(duì)應(yīng)于第[l]層。

總的來說，分層語義化提供了從局部到全局的多尺度特征信息，而門控聚合則權(quán)衡了這些信息并將它們?nèi)诤系揭黄?，為每個(gè)位置生成一個(gè)增強(qiáng)的特征表示。特征聚合過程如圖3所示。

1.2" RCSOSA模塊

在PCB檢測任務(wù)中，存在許多低分辨率圖像和小缺陷，這會(huì)對(duì)精確獲取缺陷信息造成影響。本文利用RCSOSA模塊減少特征圖的通道數(shù)量，同時(shí)增強(qiáng)相鄰層特征間不同通道的信息流，通過重參數(shù)化卷積來增強(qiáng)網(wǎng)絡(luò)對(duì)小目標(biāo)缺陷的特征提取能力，提高模型的數(shù)據(jù)處理效率。

在輸入張量的特征維度為C×H×W的情況下，進(jìn)行通道分割操作，將輸入張量分成兩個(gè)通道維度相等的張量，仍然保持尺寸為C×H×W。對(duì)其中一個(gè)張量采用多分支結(jié)構(gòu)生成RCS的訓(xùn)練結(jié)構(gòu)，包括身份分支、1×1卷積和3×3卷積，以學(xué)習(xí)關(guān)于特征的豐富信息。而在推理時(shí)，這些結(jié)構(gòu)經(jīng)過結(jié)構(gòu)重參數(shù)化，轉(zhuǎn)化為3×3 RepConv，以降低計(jì)算復(fù)雜性，同時(shí)保持通道間的信息交流。其次，加入通道混洗操作，以增強(qiáng)不同通道特征之間的信息融合并降低計(jì)算復(fù)雜性。這樣的結(jié)構(gòu)在訓(xùn)練和推理時(shí)既能提取豐富的特征信息又能減少內(nèi)存消耗，實(shí)現(xiàn)了高效的推理。

圖4所示為RCS結(jié)構(gòu)。

RCSOSA模塊引入一次性聚合（OSA）路徑，并重復(fù)堆疊RCS模塊，以確保特征的復(fù)用，增強(qiáng)相鄰層特征不同通道之間的信息流動(dòng)，解決了DenseNet中密集連接帶來的低效問題。在OSA路徑中，僅保留3個(gè)特征級(jí)聯(lián)，減少了網(wǎng)絡(luò)計(jì)算負(fù)擔(dān)和內(nèi)存占用。RCSOSA模塊結(jié)構(gòu)如圖5所示。

1.3" Wise?IoU損失函數(shù)

考慮到PCB數(shù)據(jù)集不可避免地會(huì)包含低質(zhì)量樣本，導(dǎo)致模型的泛化性能降低，故存在低質(zhì)量樣本的情況下，當(dāng)錨框與目標(biāo)框有較好的重疊時(shí)，損失函數(shù)應(yīng)弱化對(duì)幾何指標(biāo)的懲罰，這樣就能提高模型對(duì)低質(zhì)量PCB樣本的泛化性能。

因此，本研究使用Wise?IoU（WIoU）損失函數(shù)代替原YOLOv7模型中使用的CIoU（Complete?IoU）作為PCB檢測模型的損失函數(shù)。Wise?IoU損失函數(shù)的公式如下：

式中：[LIoU]、[RWIoU]、[r]分別是IoU位置損失函數(shù)、懲罰項(xiàng)、非單調(diào)聚焦系數(shù)；[β]是用于描述錨框質(zhì)量的離群度，[β∈[0，+∞）]；[LIoU]、[LΛI(xiàn)oU]分別是具有動(dòng)量的指數(shù)運(yùn)行平均值和單調(diào)聚焦系數(shù)；[Wg]和[Hg]表示最小包圍框的寬和高；[xgt]和[ygt]表示目標(biāo)框的中心點(diǎn)坐標(biāo)；x和y為錨框的中心點(diǎn)坐標(biāo)；為了防止[RWIoU]產(chǎn)生阻礙收斂的梯度，將[Wg]和[Hg]分離，上標(biāo)“*”表示此操作；[α]、[δ]是可調(diào)整的超參數(shù)。當(dāng)[β]=[δ]時(shí)，[r]=1；當(dāng)[β]=C（C為定值）時(shí)，錨框獲得最高增益。

綜上所述，模型提高了對(duì)低質(zhì)量樣本的寬容度和檢測能力，可以大大提升目標(biāo)檢測算法的訓(xùn)練和推理能力。

Wise?IoU損失函數(shù)與之前的CIoU函數(shù)相比，加強(qiáng)了高質(zhì)量錨盒的選取，優(yōu)化了目標(biāo)檢測器的性能，能夠使得預(yù)測框在訓(xùn)練階段收斂速度更快，推理性能更好。

2" PCB缺陷檢測實(shí)驗(yàn)

2.1" 數(shù)據(jù)集準(zhǔn)備

本文使用的印刷電路板故障數(shù)據(jù)集包含693幅圖像，有6種故障類型：缺孔（missing hole）、鼠咬（mouse bite）、開路（open circuit）、短路（short circuit）、偽銅（spseudo copper）、毛刺（spur）。訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集按 8∶1∶1的比例隨機(jī)拆分，如表1所示。

2.2" 數(shù)據(jù)增強(qiáng)

為了簡化網(wǎng)絡(luò)訓(xùn)練并避免過擬合問題，本文采用了一種用于PCB圖像處理和增強(qiáng)的自監(jiān)督學(xué)習(xí)方法。

自監(jiān)督學(xué)習(xí)圖像增強(qiáng)技術(shù)通過隨機(jī)量化來增強(qiáng)通道維度數(shù)據(jù)，主要包括隨機(jī)劃分?jǐn)?shù)值區(qū)間、隨機(jī)采樣輸出值以及劃分的數(shù)值區(qū)間個(gè)數(shù)三個(gè)方面的設(shè)計(jì)。

具體而言，隨機(jī)的過程帶來了更加豐富的樣本，同一個(gè)數(shù)據(jù)每次執(zhí)行隨機(jī)量化操作都可以生成不同的數(shù)據(jù)樣本；同時(shí)，隨機(jī)的過程也提高了對(duì)原始數(shù)據(jù)的增強(qiáng)力度，例如隨機(jī)劃分出大的數(shù)據(jù)區(qū)間，或者當(dāng)映射點(diǎn)偏離區(qū)間中值點(diǎn)時(shí)，都可以導(dǎo)致落在該區(qū)間的原始輸入和輸出之間的更大差異。

除此之外，也可以非常容易地通過適當(dāng)減少劃分區(qū)間的個(gè)數(shù)來提高增強(qiáng)力度，幫助特征學(xué)習(xí)單張圖像的高分辨率，也避免了圖像失真問題。

2.3" 實(shí)驗(yàn)設(shè)置

本次實(shí)驗(yàn)的具體配置如表2所示。在實(shí)驗(yàn)過程中，輸入圖像的分辨率調(diào)整至640×640，并將像素值歸一化至0～1。為了充分利用預(yù)訓(xùn)練模型的知識(shí)，采取遷移學(xué)習(xí)策略對(duì)模型進(jìn)行了COCO數(shù)據(jù)集權(quán)重的Fine?tuning。SGD的動(dòng)量參數(shù)設(shè)置為0.937，整個(gè)訓(xùn)練過程共進(jìn)行了350輪次。

此外，受到Y(jié)OLOX思想的啟發(fā)，在最后10個(gè)epoch中關(guān)閉了Mosaic數(shù)據(jù)增強(qiáng)，以確保訓(xùn)練數(shù)據(jù)不偏離真實(shí)分布。這些設(shè)置在模型訓(xùn)練過程中發(fā)揮了關(guān)鍵作用，為模型更好地適應(yīng)訓(xùn)練數(shù)據(jù)提供了支持。

2.4" 不同檢測算法的對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的改進(jìn)模型的有效性，將改進(jìn)模型與其他模型在PCB數(shù)據(jù)集上進(jìn)行了對(duì)比，結(jié)果如表3所示。

根據(jù)表3中的數(shù)據(jù)，盡管模型在推理時(shí)間方面稍顯不足，達(dá)到了17.9 ms，略慢于其他輕量化模型，但已經(jīng)足夠滿足工業(yè)檢測的基本要求（30 ms）。更重要的是，Wise?YOLOv7的mAP@0.5和mAP@0.5：0.95分別達(dá)到了96.1%和57.9%，表現(xiàn)出了最佳性能水平。

2.5" 消融實(shí)驗(yàn)

為了驗(yàn)證本文中提出的每種改進(jìn)策略的有效性，進(jìn)行了一個(gè)全面的消融實(shí)驗(yàn)。

為每項(xiàng)改進(jìn)策略建立了相應(yīng)的對(duì)照組，以評(píng)估它們對(duì)模型性能的影響，具體而言，“+FM”“+RCSOSA”“+Wise?IoU”和“Ours”分別代表引入Focal Modulation模塊、引入RCSOSA模塊、改變損失函數(shù)以及Wise?YOLOv7模型。不同改進(jìn)策略的對(duì)比實(shí)驗(yàn)結(jié)果如表4所示。

由表4可知，單獨(dú)引入Focal Modulation（FM）模塊、RCSOSA模塊或者改變損失函數(shù)，均使得模型相比Baseline在Recall、mAP@0.5和mAP@0.5：0.95上得到增長，其中改變損失函數(shù)讓模型的性能提升最多，這證明改變損失函數(shù)大大提高了對(duì)高質(zhì)量錨盒的選取能力。

在引入2個(gè)模塊的對(duì)比中，改變損失函數(shù)的改進(jìn)準(zhǔn)確率均比較高。兩個(gè)模塊的改進(jìn)相比單獨(dú)模塊的改進(jìn)性能也穩(wěn)步提升。當(dāng)3個(gè)模塊同時(shí)引入時(shí)，模型達(dá)到了最佳性能。

總之，消融實(shí)驗(yàn)清楚地說明了單個(gè)和集體整合策略對(duì)模型性能的影響，為今后的優(yōu)化和決策提供了指導(dǎo)。與YOLOv7基礎(chǔ)算法相比，該算法的平均精度由92.0%提高至96.1%，提高了4.1%，檢測時(shí)間由21.9 ms縮短到17.9 ms，在實(shí)現(xiàn)高速推理特性的同時(shí)，降低了泄漏率和錯(cuò)誤檢測率，性能有了顯著提高。

基礎(chǔ)模型和改進(jìn)模型的檢測結(jié)果對(duì)比如圖6所示。

3" 結(jié)" 語

為了解決PCB缺陷檢測精度低、速度慢的問題，本文提出了一種基于改進(jìn)YOLOv7模型的Wise?YOLOv7算法。該算法在self?attention的基礎(chǔ)上加入焦點(diǎn)調(diào)制網(wǎng)絡(luò)，并結(jié)合改進(jìn)的RCSOSA模塊和Wise?IoU損失函數(shù)，有效提升了檢測精度與速度。

與YOLOv7基礎(chǔ)算法相比，這些改進(jìn)使本文提出的模型在具備高速推理的同時(shí)，性能顯著提高，大大降低了泄漏率和錯(cuò)誤檢測率，為PCB缺陷檢測提供了很好的參考。

參考文獻(xiàn)

[1] 李任鵬，李云峰.基于多尺度特征的PCB裸板缺陷識(shí)別[J].中國測試，2024，50（9）：181?190.

[2] LIU Z， QU B. Machine vision based online detection of PCB defect [J]. Microprocessors and microsystems， 2021， 82： 103807.

[3] 許思昂，李藝杰，梁橋康，等.基于改進(jìn)YOLOv5算法的PCB裸板缺陷檢測[J].包裝工程，2022，43（15）：33?41.

[4] 杜晶，張劍，劉明玉，等.基于GIS技術(shù)的雙層PCB布線的空間剖分算法[J].計(jì)算機(jī)應(yīng)用研究，2022，39（5）：1483?1490.

[5] KOLACHI K， KHAN M， SARANG S A， et al. Fault detection and quality inspection of printed circuit board using Yolo?v7 algorithm of deep learning [C]// 2023 7th International Multi?Topic ICT Conference （IMTIC）. [S.l.]： IEEE， 2023： 1?7.

[6] PAN L， WANG W， LU K， et al. Efficient and precise detection of surface defects on PCBs： a YOLO based approach [C]// International Conference on Intelligent Computing. [S.l.]： Springer， 2023： 601?613.

[7] CHEN B Y， DANG Z C. Fast PCB defect detection method based on FasterNet backbone network and CBAM attention mechanism integrated with feature fusion module in improved YOLOv7 [J]. IEEE access， 2023（11）： 95092?95103.

[8] SHAFIEE M J， CHYWL B， LI F， et al. Fast YOLO： a fast you only look once system for real?time embedded object detection in video [J]. Journal of computational vision and imaging systems， 2017， 3（1）： 171.

[9] HU B， WANG J. Detection of PCB surface defects with improved faster?RCNN and feature pyramid network [J]. IEEE access， 2020， 8： 108335?108345.

[10] LI C， QU Z， WANG S， et al. A method of defect detection for focal hard samples PCB based on extended FPN model [J]. IEEE transactions on components， packaging and manufacturing technology， 2021， 12（2）： 217?227.

[11] 朱憲宇，熊婕，王檸莎，等.基于改進(jìn)YOLOv4的PCB裸板缺陷檢測方法研究[J].工業(yè)控制計(jì)算機(jī)，2021，34（9）：39?40.

[12] WANG C， BOCHKOVSKIY A， LIAO H M. YOLOv7： trainable bag?of?freebies sets new state?of?the?art for real?time object detectors [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2023： 7464?7475.

[13] 張旭，陳慈發(fā)，董方敏.基于改進(jìn)YOLOv7的PCB缺陷檢測算法[J].計(jì)算機(jī)工程，2024，50（12）：318?328.

[14] 張果，陳逃，王劍平，等.輕量化的PCB表面缺陷檢測算法[J].北京郵電大學(xué)學(xué)報(bào)，2024，47（2）：38?44.

作者簡介：陳建豪（2000—），男，江蘇泰州人，在讀碩士研究生，主要研究方向?yàn)闄C(jī)器視覺和智能制造。

徐" 潔（1979—），女，上海人，碩士研究生，講師，主要研究方向?yàn)楣I(yè)生產(chǎn)過程的自動(dòng)控制與過程優(yōu)化。

汪志鋒（1970—），男，安徽安慶人，博士研究生，教授，主要研究方向?yàn)楣I(yè)過程控制、電子與通信工程。

收稿日期：2024?05?06" " " " " "修回日期：2024?06?13