CN120235837A 一种基于改进YOLOv8的电路板缺陷检测方法和设备 （广州铁路职业技术学院（广州铁路机械学校））.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120235837A(43)申请公布日2025.07.01

(21)申请号202510335153.X

(22)申请日2025.03.20

(71)申请人广州铁路职业技术学院(广州铁路机械学校)

地址511300广东省广州市增城区朱村街

科德大道198号

(72)发明人黎文聪任家鸿陈伟迅孟思明陈嘉怡薛诗琦

(74)专利代理机构北京易捷胜知识产权代理有限公司11613

专利代理师哈雅坤

(51)Int.CI.

GO6T7/00(2017.01)

GO6V10/25(2022.01)

GO6V10/764(2022.01)

GO6V

GO6V

GO6V

GO6N

GO6N

GO6N

GO6N

10/766(2022.01)10/80(2022.01)

10/82(2022.01)3/045(2023.01)

3/0495(2023.01)

3/0464(2023.01)

3/08(2023.01)

权利要求书3页说明书10页附图3页

(54)发明名称

一种基于改进YOLOv8的电路板缺陷检测方法和设备

(57)摘要

CN120235837A本发明涉及一种基于改进YOLOv8的电路板缺陷检测方法和设备，其方法包括：将多模态动态注意力框架和可变形卷积设置到YOLOv8模型中进行改进；利用基于动态边界框回归损失优化和自适应聚焦分类损失优化后的训练数据对YOLOv8改进模型进行训练；将待检测电路板图像输入经训练的YOLOv8改进模型中，通过可变形卷积提取缺陷特征信息，并利用多模态动态注意力框架对缺陷特征信息进行增强以得到多尺度特征图像；利用颈部网络对多尺度特征图像进特征融合，并将生成的最优特征图像输入头部网络中进行缺陷检测，获得缺陷检测结果。本发明解决了基于传统YOLOv8

CN120235837A

将

将获取的多模态动态注意力框架和可变形卷积设置到

预设的YOLOv8模型中，获得YOLOv8改进模型

对获取的训练数据进行动态边界框回归损失优化和自适应聚焦分类损失优化，并利用优化后的训练数据对

YOLOv8改进模型进行训练，所述训练数据为具有全部电路板缺陷类型的图像数据

将待检测的电路板图像输入经训练的YOLOv8改进模型

中，通过可变形卷积提取电路板图像中的缺陷特征信

息，并利用多模态动态注意力框架对缺陷特征信息进

行增强后，获得多尺度特征图像

利用经训练的YOLOv8改进模型中的颈部网络对多尺度

特征图像进特征融合，并将生成的最优特征图像输入

经训练的YOLOv8改进模型的头部网络中进行缺陷特征

检测，获得电路板的缺陷检测结果

S100

S200

S300

S400

CN120235837A权利要求书1/3页

2

1.一种基于改进YOLOv8的电路板缺陷检测方法，其特征在于，包括：

将获取的多模态动态注意力框架和可变形卷积设置到预设的YOLOv8模型中，获得YOLOv8改进模型；

对获取的训练数据进行动态边界框回归损失优化和自适应聚焦分类损失优化，并利用优化后的训练数据对YOLOv8改进模型进行训练，所述训练数据为具有全部电路板缺陷类型的图像数据；

将待检测的电路板图像输入经训练的YOLOv8改进模型中，通过可变形卷积提取电路板图像中的缺陷特征信息，并利用多模态动态注意力框架对缺陷特征信息进行增强后，获得多尺度特征图像；

利用经训练的YOLOv8改进模型中的颈部网络对多尺度特征图像进特征融合，并将生成的最优特征图像输入经训练的YOLOv8改进模型的头部网络中进行缺陷特征检测，获得电路板的缺陷检测结果。

2.如权利要求1所述的方法，其特征在于，将获取的多模态动态注意力框架和可变形卷积设置到预设的YOLOv8模型中，获得YOLOv8改进模型包括：

获得多模态动态注意力框架和可变形卷积，所述多模态动态注意力框架由SE模块和CBAM模块以设定的动态权重系数比进行构建；

将SE模块设置在预设的YOLOv8模型的骨干网络中；

将CBAM模块设置在预设的YOLOv8模型中的颈部网络中；

调用可变形卷积替换YOLOv8模型中骨干网络的C2f模块的卷积。

3.如权利要