基于可见光图像与红外测温的电路板缺陷检测技术研究.pdfVIP

摘要

随着电子信息产业的高速发展，电路板的生产制作工艺不断提高，电路板的集

成度提高，元器件愈加密集，提升性能的同时，也给电路板的缺陷和故障检测提出

了更高的要求和挑战。传统的人工检测方式费时费力，效率低下，弊端突出。而自

动光学检测方式和红外测温检测方式有着高效、无损、无接触、易操作的特点，成

为当前检测的两种主流方法。但是，这两项技术在面临密集程度愈来愈高的电路板

检测时，也呈现了一些不足。考虑到近年来蓬勃发展的深度学习技术在缺陷检测中

体现的性能优势，本文拟将该技术融入基于可见光图像和红外测温的电路板缺陷

检测中，以提高缺陷检测的准确性和可靠性。本文的主要工作包含如下几个方面。

首先，针对基于经典YOLOv8网络的电路板可见光图像元器件目标检测中，

存在小型元器件引发的缺陷识别准确率不高的问题，提出了一种基于YOLOv8网

络改进的电路板缺陷检测方法。该方法对高分辨率图像采用基于切片方式的训练

和检测方案，可以解决现有的基于整图检测方式在小目标识别上存在信息丢失的

不足；同时，该方法对网络的Neck模块进行结构改进，以优化小目标元器件的识

别效果；最后，提出了基于目标检测结果的电路板元器件丢失、错焊判定算法。为

了验证所提方法的有效性，采集构建了实验数据集，分别对各改进点进行了对比实

验，与改进前的网络相比，目标检测指标mAP50提升了11.9%，缺陷检测准确率

94%，实验结果表明所提方法取得了显著提升。

其次，针对基于Informer网络的电路板红外测温故障检测中，存在着因网络

特征提取不够丰富、局部细节特征丢失、没有衡量不同通道与任务相关性，导致的

检测准确度不高的问题，提出了一种基于Informer优化的电路板故障检测方法。

该方法使用FCN来优化前馈网络结构，提高了特征提取的精度；采用多尺度特征

融合方式来提升模型对局部细节特征的提取能力；设计了一种基于通道注意力机

制的模块来计算不同芯片数据与故障的相关性。为验证所提方法的有效性，设计了

数据采集平台，采集构建实验数据集，设计了模型改进对比实验和经典时间序列分

类模型对比实验进行验证，实验结果表明所提方法较原始方法准确率取得了显著

提升，可以有效地应用于电路板故障检测任务中。

关键词：电路板，缺陷检测，故障检测，YOLOv8，Informer

ABSTRACT

Withtherapiddevelopmentoftheelectronicinformationindustry,theproduction

technologyofcircuitboardshascontinuouslyimproved,leadingtoincreasedintegration

andcomponentdensity.Whilethisenhancesperformance,italsoraiseshigherdemands

andchallengesfordefectandfaultdetectionincircuitboards.Traditionalmanual

inspectionmethodsaretime-consuming,labor-intensive,andinefficient,highlighting

theirdrawbacks.Incontrast,automaticopticalinspection(AOI)andinfraredthermal

imagingdetectionmethodsarecharacterizedbytheirefficiency,non-destructivenature,

non-contactoperation,andeaseofuse,makingthemthemainstreammethodsincurrent

detectionpractices.However,thesetechnologiesexhibitcertainshortcomingswhenfaced

withincreasinglydensecircuitboardin