Um die Probleme unzureichender Genauigkeit, Fehlalarme und Auslassungen bei bestehenden PCB-Fehlererkennungsalgorithmen zu lösen, die bei der Verarbeitung von Objekten mit kleinen Abmessungen, komplexem Hintergrund und unregelmäßiger Form auftreten, schlägt dieser Artikel eine Methode zur Oberflächenfehlererkennung von Leiterplatten basierend auf einem verbesserten YOLO11 vor. Zunächst wird im Backbone-Netzwerk ein Multiskalen-Faltungsa attentionsmechanismus (MSCA) eingeführt, um die Erkennung kleiner Fehler zu verbessern. Anschließend ersetzt ein effizientes Feature-Pyramid-Netzwerk (HS-FPN) die traditionelle Neck-Struktur, wobei durch die Einführung eines Kanal-Attentionsmechanismus (CA) und eines selektiven Feature-Fusionsmechanismus (SFF) die Fähigkeit des Modells zur Erkennung von Fehlern unterschiedlicher Größe erhöht wird. Dann wird das C3K2-Modul durch die Kombination von ConvFormer mit der Faltungsgesteuerten linearen Einheit (CGLU) verbessert, was die Rechenkomplexität reduziert und gleichzeitig die Extraktion effektiver Merkmale verbessert. Schließlich wird die Verlustfunktion UIoU (Unified-IoU) verwendet, um die Gewichtungsverteilung der Vorschlagsrahmen dynamisch anzupassen, wodurch die Lokalisierungsgenauigkeit und die Konvergenzgeschwindigkeit erhöht werden. Experimente auf einem selbst erstellten Datensatz mit 6 Arten von PCB-Fehlerbildern zeigen, dass das verbesserte Modell eine mAP von 89,1 % erreicht, was eine Steigerung der mittleren Erkennungsgenauigkeit um 5,3 %, eine Steigerung der Präzision um 2,3 %, eine Steigerung der Rückrufrate um 6,1 % und eine Reduzierung der Parameteranzahl um 28,3 % im Vergleich zum ursprünglichen YOLO11-Modell bedeutet, und bestätigt die Wirksamkeit und das Anwendungspotenzial der vorgeschlagenen Methode bei der tatsächlichen Erkennung von PCB-Fehlern.

Bildverarbeitung;PCB-Fehlererkennung;YOLO11;Multiskalen-Faltungs-Aufmerksamkeitsmechanismus;Effizientes Feature-Pyramidennetzwerk