PCB-YOLOV8X: ett nätverk för att upptäcka mikrostora defekter på PCB‑ytor baserat på förbättrad funktionsinformation

Varför mikrosmå fel på kretskort spelar roll

Varje modern enhet — från smartphones till medicinteknisk utrustning — är beroende av tryckta kretskort (PCB), de gröna plattorna som leder elektriska signaler. När elektronik blir mindre och mer komplex kan dessa kort dölja hårfina brott, mikroskopiska hål och metalldamm som nästan är omöjliga för människor att upptäcka. Artikeln presenterar ett nytt artificiellt intelligenssystem, kallat PCB‑YOLOv8X, utformat för att automatiskt hitta dessa små defekter snabbt och noggrant, så att tillverkare kan fånga problem innan defekta produkter når konsumenter.

Utmaningen att se det nästan osynliga

Dagens kretskort innehåller täta nätverk av kopparspår, blanka lödytor och tryckta markeringar på mycket små ytor. Denna röriga bakgrund, tillsammans med reflexer och brus i kamerabilder, gör små fel lätta att missa. Traditionella maskinseendesystem förlitar sig på fasta regler och enkla jämförelser mellan en "felfri" referensbild och ett testkort. De kan fungera för stora eller uppenbara defekter, men misslyckas ofta när defekterna har oregelbunden form, är extremt små eller uppträder under varierande belysning. Djupt lärande har förbättrat situationen genom att lära mönster direkt från data, men många befintliga modeller har fortfarande problem med oregelbundna former och kontext på avstånd, vilket leder till förbisedda defekter och falska larm.

En smartare metod för att skanna kretskort

PCB‑YOLOv8X bygger på en populär realtidsram för objektidentifiering och anpassar den specifikt för PCB‑inspektion. Nätverket är organiserat i tre steg: en "backbone" som extraherar visuella egenskaper från bilder, en "neck" som smälter samman information över olika skalor, och ett "head" som avgör var defekter finns och vilken typ de är. Författarna omdesignar viktiga delar av denna pipeline så att modellen bättre kan följa de tunna, slingrande kopparspåren och skilja meningsfulla defekter från ofarliga bakgrundsstrukturer. Det övergripande målet är att fånga mer detalj om mikrosmå defekter samtidigt som systemet hålls tillräckligt snabbt för användning i produktionslinjer.

Flexibelt seende och fokuserad uppmärksamhet

Den första stora uppgraderingen låter modellen anpassa sitt "seende" till oregelbundna former. Istället för att provta bildinformation på ett styvt rutnät använder den nya C2f‑DCNV2‑modulen deformbara filter vars provpunkter kan förskjutas något för att följa böjda spår, taggiga kanter eller oregelbundna springor. Denna flexibilitet hjälper nätverket att fånga de verkliga konturerna hos små defekter såsom saknade hål, "mouse‑bite"‑mönster eller kortslutningar. Den andra uppgraderingen, SPPF‑LSKA‑modulen, ger modellen ett vidgat synfält samtidigt som den förblir effektiv. Den kombinerar information från flera skalor för att efterlikna både när- och fjärrsynthet, och använder sedan en uppmärksamhetsmekanism för att betona regioner som sannolikt innehåller defekter och tona ner störande bakgrundsmönster.

Skarpare beslut om pyttesmå mål

Att hitta en defekt är bara halva jobbet; systemet måste också rita en snäv ruta runt den. Standardträningsmetoder bedömer dessa rutor främst utifrån hur mycket de överlappar det verkliga defektområdet, vilket kan misslyckas när defekterna är mycket små eller inte överlappar alls. Författarna inför ett förfinat träningsmål, kallat IWD‑CIoU, som mäter hur nära och hur lika förutsagda och verkliga rutor är med hjälp av ett avståndsbegrepp lånat från sannolikhetsteori. Detta tillvägagångssätt ger användbar återkoppling även när två rutor knappt rör vid varandra och hjälper nätverket att lära sig lokalisera mikrosmå fel mer precist. Det kombineras också med en klassificeringsstrategi som betonar högkonfidens‑exempel och svår‑att‑skilja fall.

Från labbtester till fabriksband

Teamet utvärderar PCB‑YOLOv8X på en offentlig PCB‑defektdatamängd som innehåller sex vanliga feltyper, från öppna kretsar till oönskad koppar. Efter att ha augmenterat data för att efterlikna verklig produktionsvariation, jämför de sin modell med välanvända detektorer såsom Faster R‑CNN, SSD, flera generationer av YOLO och en transformatorbaserad metod. PCB‑YOLOv8X uppnår högst total noggrannhet, identifierar och lokaliserar defekter korrekt i mer än 98 % av fallen samtidigt som den körs snabbare än baslinjemodellen YOLOv8. Visuella värmekartor visar att den förbättrade nätverket koncentrerar sig starkt på faktiska defektregioner och i hög grad ignorerar förvillande texturer och reflexer, vilket minskar både missade defekter och falska positiva. Författarna noterar kvarstående utmaningar — såsom extremt små, lågkontrastfel och förvirrande bakgrundsmönster — och föreslår framtida arbete med lättare modeller och syntetisk träningsdata för att bättre stödja kant‑enheter på produktionslinjer.

Vad detta betyder för vardagselektronik

I praktiska termer skulle PCB‑YOLOv8X kunna placeras bakom högfrekventa kameror på en fabrikslinje, skanna varje passerande kort i realtid och markera misstänkta enheter för manuell granskning. Genom att upptäcka mikroskopiska defekter som äldre system missar kan det hjälpa till att förhindra dolda fel som senare kan orsaka funktionsfel eller säkerhetsproblem. För icke‑specialister är huvudbudskapet att framsteg inom skräddarsytt AI‑seende gör det osynliga synligt på fabriks‑golvet och tyst förbättrar tillförlitligheten i den elektronik vi litar på varje dag.

Citering: 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

Nyckelord: PCB‑defektupptäckt, datorseende, djupt lärande, kvalitetskontroll, automatisering av tillverkning