摘要随着电子制造业向高精度、高集成度发展印刷电路板PCB的质量检测成为保证产品可靠性的关键环节。传统的PCB缺陷检测方法依赖人工目检或传统图像处理技术效率低、误检率高难以满足现代工业自动化需求。本研究基于YOLO26目标检测算法构建了一个PCB缺陷自动识别系统涵盖六类常见缺陷missing_hole、mouse_bite、open_circuit、short、spur、spurious_copper。系统采用YOLO26作为基础架构使用554张图像进行训练139张图像进行验证通过多维度评估指标分析模型性能。实验结果表明模型在多数缺陷类别上具有较高的精确率整体mAP0.50达到0.951F1分数最高为0.94。然而由于类别分布不均和部分缺陷样本稀缺模型在少数类如open_circuit和spurious_copper上的识别效果仍有待提升。本研究为PCB自动化检测提供了可行方案并为后续优化指明了方向。详细功能展示视频https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言印刷电路板PCB是电子产品的核心载体其制造过程中的微小缺陷可能导致整个电路失效甚至引发安全隐患。随着电子产品向小型化、高密度方向发展PCB线路愈发精细传统人工目检方式已难以胜任高强度、高精度的检测任务。机器视觉与深度学习技术的结合为PCB缺陷检测带来了革命性突破。特别是基于卷积神经网络的目标检测算法能够在复杂背景下自动识别和定位多种缺陷类型极大提升了检测效率和准确性。YOLOYou Only Look Once系列算法因其端到端的检测结构和优异的实时性能成为工业检测领域的常用选择。本研究基于YOLO26构建PCB缺陷识别系统旨在实现对六类常见缺陷的自动检测与分类。通过对训练过程的监控与结果分析评估模型在实际工业场景中的可行性与局限性为后续优化提供依据。背景在电子制造过程中PCB需要经过多道工序包括蚀刻、钻孔、镀铜、焊接等任何环节的偏差都可能导致缺陷产生。常见的PCB缺陷可分为以下几类缺失孔missing_hole应钻孔的位置未被钻通影响元器件安装。鼠咬痕mouse_bite线路边缘出现凹陷可能导致线路断裂。开路open_circuit线路断开导致信号无法传输。短路short相邻线路意外连接引发电路故障。毛刺spur线路边缘多余铜箔残留可能导致短路。多余铜箔spurious_copper非线路区域残留铜箔可能引发电气异常。这些缺陷的存在不仅影响PCB功能还可能导致整个电子产品失效。因此PCB出厂前必须经过严格的检测。传统检测方法主要依赖人工目检或基于规则的图像处理存在以下问题效率低人工检测速度慢难以应对大批量生产需求。主观性强不同检测人员标准不一误检漏检率高。适应性差传统图像处理算法对光照、角度变化敏感鲁棒性差。随着深度学习技术的发展基于目标检测的PCB缺陷自动识别系统逐渐成为研究热点。YOLO系列算法因其检测速度快、精度高、易于部署等优点被广泛应用于工业质检场景。本研究基于YOLO26构建PCB缺陷检测系统探索其在真实数据集上的表现旨在为PCB制造企业提供智能化检测解决方案。数据集介绍本研究所使用的PCB缺陷数据集来源于公开的PCB缺陷图像库经过筛选与标注后用于模型训练与验证。数据集共包含693张图像按照约 8:2 的比例划分为训练集和验证集训练集554张图像验证集139张图像缺陷类别共6类类别名称英文名称说明缺失孔missing_hole应钻孔位置未钻孔鼠咬痕mouse_bite线路边缘凹陷形似鼠咬开路open_circuit线路断裂信号中断短路short相邻线路意外连接毛刺spur线路边缘多余的铜箔突起多余铜箔spurious_copper非线路区域残留铜箔训练结果1、整体表现概览1.mAP50 和 mAP50-95来自results.png从results.png中可以看到训练过程中的mAP50和mAP50-95都随着 epoch 增加而上升。2 、各类别检测性能分析1.F1-Confidence 曲线BoxF1_curve.png所有类别的最佳 F1 分数为 0.94出现在置信度阈值0.267左右。各类别 F1 随置信度变化趋势在低置信度下F1 上升在高置信度下F1 下降。说明模型在中等置信度下平衡了精确率和召回率。2.Precision-Confidence 曲线BoxP_curve.png所有类别的最佳精确率为 1.00出现在置信度0.896。各类别精确率随置信度升高而上升说明高置信度预测更可靠。3.Recall-Confidence 曲线BoxR_curve.png所有类别的最佳召回率为 0.95出现在置信度0.000。召回率随置信度升高而下降说明低置信度下模型能检测到更多目标。4.Precision-Recall 曲线BoxPR_curve.png在 Recall 从 0 到 1 的过程中Precision 始终保持在1.00直到 Recall 接近 1 时才下降。说明模型在绝大多数情况下预测非常精准但可能会漏掉一些目标。3、混淆矩阵分析confusion_matrix.png和归一化版本1.类别分布missing_hole类别样本最多1127其次是spurious_copper489等。open_circuit和short类别样本极少甚至为 0这可能是这些类别检测性能差的原因。2.误分类情况从归一化矩阵看missing_hole被正确分类的比例为1.00但也有一些被误分为mouse_bite、spur等。mouse_bite被正确分类的比例较低0.02大部分被误分为missing_hole和spurious_copper。spurious_copper被正确分类的比例为 0说明模型几乎无法识别该类。4、训练过程分析results.png训练损失train/box_loss,cls_loss,dfl_loss随着 epoch 增加逐渐下降说明模型在学习。验证损失val/box_loss,cls_loss,dfl_loss也在下降说明模型泛化能力尚可。精确率和召回率在训练后期趋于稳定mAP 也在稳步提升。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/