基于改进YOLOv8模型的PCB电路板缺陷检测方法研究

针对现有PCB电路板缺陷检测方法普遍存在的准确率低、处理速度慢、适应性差等问题，本文设计提出了一种基于YOLOv8的改进电路板缺陷检测模型YOLOv8-PCB。该模型通过引入注意力机制，并结合数据增强和多尺度训练策略，能够有效提升缺陷检测准确率和处理速度。与此同时，考虑到PCB电路板的背景信息比较单一，通用目标检测模型性能受限的问题，本文进一步设计采用了一种LSKNet注意力机制，通过在特征提取时自适应动态调整目标感受视野，从而提升模型对小缺陷的目标检测能力。通过各项试验结果表明，本文提出的算法模型在测试数据集下的平均准确率、召回率分别为95.0%和93.3%，分别优于原始YOLOv8算法91.8%和90.9%。且模型参数量更小，在提升检测性能的同时能够兼顾算法计算效率，因此可以快速地、准确地实现PCB电路板的缺陷检测，为智慧工厂、智能装备等领域提供技术支持。

印刷电路板(Printed Circuit Board)简称PCB，依靠其高度集成、轻量化、成本低和稳定性高等优势， 广泛地应用于电子产品领域。然而，在制造过程中，由于各种因素的影响，如设备故障、操作失误、设计缺陷等，PCB 电路板上可能存在各种各样的缺陷，例如短路、缺失孔、焊接不良、线路损伤等。这些缺陷如果未能及时检测和处理，会严重影响PCB 电路板的性能、质量和安全。

因此，如何及时有效地对PCB 电路板进行缺陷检测极为重要。早期的PCB 缺陷检测主要依靠人工目测和在线仪器检测，但这些方法通常存在成本高、效率低、误检率高等缺点，且部分检测方法会接触到PCB 电路板，容易造成二次损坏，使得目前检测难以满足现代PCB 电路板生产效率高、性能好的检测要求[1]。随着计算机技术的发展，深度学习在缺陷检测领域被广泛应用且取得了显著的成果。

基于深度学习的目标检测算法在步骤上包括双阶段(two-stage)和单阶段(one-stage)两种目标检测框架[2]。

在双阶段的检测算法中， R-CNN [3]是一种基于区域的卷积神经网络， 通过使用选择性搜索算法来对输入图像提取潜在的候选区域。然后，对每个候选区域进行特征提取，并使用支持向量机(SVM)进行分类。这样就将目标检测问题转化为一个候选区域分类的任务。而Faster R-CNN [4]在R-CNN 的基础上进行了改进，引入了区域建议网络(Region Proposal Network, RPN)，使得整个目标检测系统实现端到端地进行训练。但由于候选区域生成过程可能存在一些限制，导致漏检或定位不准确。

而在单阶段算法中， SSD (Single Shot MultiBox Detector) [5]采用了基于卷积神经网络(CNN)的特征提取器，并在多个不同尺度的特征图上进行目标检测。它通过在不同层级的特征图上应用不同大小的卷积