PCB-YOLOV8X: сеть для обнаружения микромасштабных дефектов на поверхностях печатных плат на основе улучшенной информации о признаках

Почему крошечные дефекты на платах важны

Каждое современное устройство — от смартфонов до медицинского оборудования — зависит от печатных плат (ПП), зелёных панелей, по которым проходят электрические сигналы. По мере того как электроника уменьшается в размерах и становится сложнее, на платах могут появляться еле заметные трещины, микроскопические отверстия и частицы постороннего металла, которые человеку почти невозможно разглядеть. В статье представлен новый искусственный интеллект под названием PCB‑YOLOv8X, предназначенный для автоматического обнаружения таких мелких дефектов быстро и точно, что помогает производителям выявлять проблемы до того, как бракованные изделия попадут к потребителям.

Задача — увидеть почти невидимое

Современные ПП содержат густую сеть медных дорожек, блестящие контактные площадки и печатные метки на очень ограниченной площади. Такой загруженный фон в сочетании с бликами и шумом на изображениях делает мелкие дефекты легко пропускаемыми. Традиционные системы машинного зрения опираются на жёсткие правила и простые сравнения с эталонным «хорошим» изображением. Они работают для крупных или явных дефектов, но часто терпят неудачу, когда дефекты имеют неправильную форму, крайне малы или проявляются при меняющемся освещении. Глубокое обучение улучшило ситуацию, обучаясь на данных, однако многие существующие модели по‑прежнему испытывают трудности с неправильными формами и дальним контекстом, что ведёт к невыявленным дефектам и ложным срабатываниям.

Более умный способ сканирования плат

PCB‑YOLOv8X основана на популярной системе обнаружения объектов в реальном времени и адаптирована специально для инспекции ПП. Сеть организована в три этапа: «каркас» (backbone), извлекающий визуальные признаки из изображений; «шея» (neck), объединяющая информацию на разных масштабах; и «голова» (head), которая определяет, где находятся дефекты и к какому типу они принадлежат. Авторы переработали ключевые части этой схемы, чтобы модель лучше отслеживала тонкие, извилистые дорожки медных трасс и умела отличать значимые дефекты от безвредных текстур фона. Общая цель — захватить больше деталей о микродефектах при сохранении скорости, достаточной для использования в потоковом производстве.

Гибкое зрение и сфокусированное внимание

Первое важное улучшение позволяет модели адаптировать «взгляд» к неправильным формам. Вместо выборки информации с жёсткой сетки новый модуль C2f‑DCNV2 использует деформируемые фильтры, точки выборки которых могут смещаться, чтобы следовать изогнутым дорожкам, неровным краям или неправильным зазорам. Такая гибкость помогает сети захватывать истинные контуры мелких дефектов, таких как отсутствующие отверстия, «укус мыши» или короткие замыкания. Второе улучшение, модуль SPPF‑LSKA, расширяет поле зрения модели, оставаясь при этом эффективным по вычислениям. Он сочетает информацию с нескольких масштабов, имитируя взгляд крупным планом и издалека, а затем использует механизм внимания, чтобы выделять области, скорее всего содержащие дефекты, и подавлять отвлекающие фоновые узоры.

Более точные решения для крошечных целей

Найти дефект — это половина дела; система также должна обвести его плотным ограничивающим прямоугольником. Стандартные методы обучения оценивают эти рамки в основном по степени их перекрытия с истинной областью дефекта, что может давать сбои, когда дефекты очень малы или рамки вовсе не перекрываются. Авторы предлагают уточненную функцию целей обучения, называемую IWD‑CIoU, которая измеряет, насколько близки и похожи предсказанные и истинные рамки, используя концепцию расстояния, заимствованную из теории вероятностей. Такой подход даёт полезную обратную связь даже когда две рамки едва касаются, и помогает модели научиться точнее локализовать крошечные дефекты. Он также сочетается со стратегией классификации, делающей упор на примеры с высокой уверенностью и трудные для различения случаи.

От лабораторных испытаний до производственных линий

Команда оценила PCB‑YOLOv8X на общедоступном наборе данных по дефектам ПП, содержащем шесть распространённых типов повреждений — от разрывов цепи до посторонней меди. После увеличения данных для имитации реальной производственной изменчивости они сравнили свою модель с широко используемыми детекторами, такими как Faster R‑CNN, SSD, несколькими поколениями YOLO и методом на основе трансформеров. PCB‑YOLOv8X показала наивысшую общую точность, правильно идентифицируя и локализуя дефекты более чем в 98% случаев, при этом работая быстрее, чем базовая модель YOLOv8. Визуальные тепловые карты показывают, что улучшенная сеть сильно концентрируется на реальных областях дефектов и в значительной степени игнорирует вводящие в заблуждение текстуры и блики, снижая как пропуски, так и ложные срабатывания. Авторы отмечают оставшиеся трудности — такие как исключительно крошечные, низкоконтрастные дефекты и запутанные фоновые узоры — и предлагают в будущем использовать облегчённые модели и синтетические тренировочные данные для лучшей поддержки периферийных устройств на производственных линиях.

Что это значит для повседневной электроники

На практике PCB‑YOLOv8X может работать совместно с высокоскоростными камерами на конвейере, в реальном времени сканируя каждую проходящую плату и помечая подозрительные экземпляры для проверки человеком. Обнаруживая микроскопические дефекты, которые старые системы упускают, она помогает производителям предотвращать скрытые неисправности, которые впоследствии могут вызвать отказ устройства или проблемы с безопасностью. Для неспециалистов главное — прогресс в адаптированном машинном зрении делает невидимое видимым на производственном участке, незаметно повышая надёжность электроники, которой мы пользуемся каждый день.

Цитирование: 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

Ключевые слова: обнаружение дефектов ПП, компьютерное зрение, глубокое обучение, контроль качества, автоматизация производства