PCB-YOLOV8X: ein Netzwerk zur Erkennung mikroskopischer Defekte auf Leiterplattenoberflächen basierend auf erweiterten Merkmalsinformationen

Warum winzige Fehler auf Leiterplatten wichtig sind

Jedes moderne Gerät – von Smartphones bis zu medizinischen Geräten – hängt von Leiterplatten (PCBs) ab, den grünen Platinen, die elektrische Signale leiten. Während Elektronik kleiner und komplexer wird, können diese Platinen haarfeine Brüche, mikroskopische Löcher und winzige Metallpartikel verbergen, die für Menschen kaum erkennbar sind. Die Arbeit stellt ein neues KI‑System vor, genannt PCB‑YOLOv8X, das darauf ausgelegt ist, diese winzigen Defekte automatisch, schnell und präzise zu finden und Herstellern zu helfen, Probleme zu erkennen, bevor fehlerhafte Produkte die Verbraucher erreichen.

Die Herausforderung, das Nahezu Unsichtbare zu sehen

Heutige Leiterplatten enthalten dichte Netze aus Kupferleitbahnen, glänzende Lötaugen und aufgedruckte Markierungen auf sehr kleinem Raum. Dieser unruhige Hintergrund kombiniert mit Reflexionen und Bildrauschen macht kleine Fehler leicht übersehbar. Traditionelle Maschinensichtsysteme beruhen auf festen Regeln und einfachen Vergleichen zwischen einem „guten“ Referenzbild und der zu prüfenden Platine. Sie funktionieren bei großen oder offensichtlichen Defekten, versagen aber oft, wenn Defekte unregelmäßig geformt, extrem klein oder unter sich ändernden Lichtverhältnissen sichtbar sind. Tiefes Lernen hat die Lage verbessert, indem es Muster direkt aus Daten lernt, doch viele bestehende Modelle haben weiterhin Probleme mit unregelmäßigen Formen und entfernten Kontextinformationen, was zu übersehenen Defekten und Fehlalarmen führt.

Eine schlauere Methode zum Scannen von Leiterplatten

PCB‑YOLOv8X baut auf einem populären Echtzeit‑Objekterkennungsrahmen auf und passt diesen speziell für die PCB‑Inspektion an. Das Netzwerk ist in drei Stufen organisiert: ein „Backbone“, das visuelle Merkmale aus Bildern extrahiert, ein „Neck“, das Informationen über verschiedene Skalen hinweg verschmilzt, und ein „Head“, das entscheidet, wo Defekte sind und welchen Typ sie haben. Die Autoren überarbeiten Schlüsselteile dieser Pipeline, damit das Modell den feinen, gewundenen Pfaden der Kupferbahnen besser folgen und sinnvolle Fehler von harmlosen Hintergrundtexturen unterscheiden kann. Das übergeordnete Ziel ist, mehr Details über winzige Defekte zu erfassen und gleichzeitig das System schnell genug für den Inline‑Einsatz in der Industrie zu halten.

Flexible Sicht und fokussierte Aufmerksamkeit

Die erste große Verbesserung ermöglicht es dem Modell, seinen „Blick“ an unregelmäßige Formen anzupassen. Anstatt Bildinformationen auf einem starren Raster abzutasten, verwendet das neue C2f‑DCNV2‑Modul deformierbare Filter, deren Abtastepunkte sich leicht verschieben können, um gebogenen Leitbahnen, gezackten Kanten oder unregelmäßigen Lücken zu folgen. Diese Flexibilität hilft dem Netzwerk, die tatsächlichen Umrisse kleiner Defekte wie fehlender Löcher, mausbissartiger Muster oder Kurzschlüsse besser zu erfassen. Die zweite Verbesserung, das SPPF‑LSKA‑Modul, verschafft dem Modell ein größeres Sichtfeld bei gleichzeitiger Effizienz. Es kombiniert Informationen aus mehreren Skalen, um sowohl Nah‑ als auch Fernsicht zu simulieren, und nutzt anschließend einen Aufmerksamkeitsmechanismus, um Bereiche hervorzuheben, die wahrscheinlich Defekte enthalten, und ablenkende Hintergrundmuster zu unterdrücken.

Scharfere Entscheidungen für winzige Ziele

Einen Defekt zu finden ist nur die halbe Miete; das System muss ihn auch mit einer engen Box umgeben. Standard‑Trainingsmethoden bewerten diese Boxen hauptsächlich danach, wie stark sie mit dem tatsächlichen Defektbereich überlappen, was versagen kann, wenn Defekte sehr klein sind oder überhaupt nicht überlappen. Die Autoren führen ein verfeinertes Trainingsziel ein, genannt IWD‑CIoU, das misst, wie nahe und wie ähnlich vorhergesagte und wahre Boxen sind, und dabei ein Distanzkonzept aus der Wahrscheinlichkeitstheorie verwendet. Dieser Ansatz liefert nützliches Feedback selbst dann, wenn sich zwei Boxen kaum berühren, und hilft dem Netzwerk, mikroskopische Fehler präziser zu lokalisieren. Er wird außerdem mit einer Klassifikationsstrategie kombiniert, die Beispiele mit hoher Zuversicht und schwer zu unterscheidende Fälle besonders gewichtet.

Von Labortests zu Fertigungslinien

Das Team bewertet PCB‑YOLOv8X auf einem öffentlichen PCB‑Fehlerdatensatz, der sechs gängige Fehlertypen enthält, von offenen Schaltungen bis zu unerwünschtem Kupfer. Nach Datenaugmentierung, um die reale Produktionsvariabilität zu simulieren, vergleichen sie ihr Modell mit weit verbreiteten Detektoren wie Faster R‑CNN, SSD, mehreren YOLO‑Generationen und einer transformerbasierten Methode. PCB‑YOLOv8X erreicht die höchste Gesamtdetek­tionsgenauigkeit, erkennt und lokalisiert Defekte in mehr als 98 % der Fälle korrekt und läuft zudem schneller als das Basismodell YOLOv8. Visuelle Heatmaps zeigen, dass das verbesserte Netzwerk stark auf tatsächliche Defektregionen konzentriert ist und verwirrende Texturen und Reflexionen weitgehend ignoriert, wodurch sowohl übersehene Defekte als auch Fehlalarme reduziert werden. Die Autoren nennen verbleibende Herausforderungen – etwa extrem winzige, kontrastschwache Defekte und irreführende Hintergrundmuster – und schlagen zukünftige Arbeiten mit leichteren Modellen und synthetischen Trainingsdaten vor, um Edge‑Geräte auf Produktionslinien besser zu unterstützen.

Was das für Alltags­elektronik bedeutet

Praktisch gesehen könnte PCB‑YOLOv8X hinter Hochgeschwindigkeitskameras an einer Fertigungsstraße platziert werden, jede vorbeifahrende Platine in Echtzeit scannen und verdächtige Stücke zur manuellen Prüfung markieren. Indem es mikroskopische Defekte erkennt, die ältere Systeme übersehen, kann es Herstellern helfen, verborgene Fehler zu verhindern, die später zu Geräteausfällen oder Sicherheitsproblemen führen könnten. Für Nicht‑Spezialisten lautet die Kernbotschaft: Fortschritte in maßgeschneiderter KI‑Vision machen das Unsichtbare auf dem Produktionsboden sichtbar und verbessern still und leise die Zuverlässigkeit der Elektronik, auf die wir täglich angewiesen sind.

Zitation: Xu, X., Dela Cruz, J.C. & Wang, Y. PCB-YOLOV8X: a network for detecting micro-sized defects on PCB surfaces based on enhanced feature information. Sci Rep 16, 10860 (2026). https://doi.org/10.1038/s41598-026-46089-6

Schlüsselwörter: PCB-Fehlererkennung, Computer Vision, Tiefenlernen, Qualitätskontrolle, Fertigungsautomatisierung