PCB表面缺陷目标检测数据集：6类别、3,500张图像 | 目标检测

PCB表面缺陷目标检测数据集：6类别、3,500张图像 | 目标检测

源码数据分享

链接: https://pan.baidu.com/s/19t38RqPuEmOogCWei2txKg?pwd=swbz

提取码: swbz

一、引言：PCB缺陷检测的工业命题

印刷电路板（PCB）是所有电子产品的“神经中枢”，从智能手机到工业控制器，从医疗设备到航空航天电子系统，PCB无处不在。一块典型的PCB上，可能密密麻麻分布着数千个焊盘、过孔和导线，任何一个环节出问题，都有可能让整块电路板报废。统计数据显示，PCB制造中的缺陷率每降低0.1%，对于月产百万块的大型PCB厂商而言，就意味着节省数百万的质量成本。

在深度学习技术大规模落地之前，PCB缺陷检测主要靠什么？无非是人工目检和自动光学检测（AOI）这两条路。人工目检效率低、一致性差，长时间盯着屏幕看，准确率很快就掉下来了；而传统AOI呢，基于规则匹配，对已知缺陷类型确实有效，但碰上新型缺陷或变异缺陷，就很容易失效，而且误报率一直居高不下。

基于深度学习的目标检测技术，可以说是给这个领域带来了一场革命。YOLO系列等实时检测模型，能在毫秒级时间内完成缺陷定位和分类，还具备学习新型缺陷的能力。不过，工业场景对检测精度的要求极为严苛——漏检一个缺陷，可能导致整批产品报废；误报一多，又严重影响生产效率。这就对训练数据的质量和数量提出了极高要求。

这篇文章会围绕PCB表面缺陷检测数据集（近3500张）展开深度解析，从数据特性到模型训练，从小目标优化到工业部署，为PCB缺陷检测系统的开发提供一套完整的技术方案。

二、数据集全景透视

2.1 数据集概述

这个数据集是围绕工业实际需求构建的，专注于PCB表面典型缺陷识别任务，总计包含3500张高质量标注图像，覆盖6类常见工业缺陷。

数据集的核心特点：

• 数据规模适中：3500张高质量图像，兼顾训练效率与模型效果
• 类别覆盖全面：包含6类常见工业缺陷
• 标注精度高：误差控制在像素级别，满足工业级标准
• 场景贴近真实：来源于实际生产或仿真工业环境

2.2 目录结构

dataset/
├── images/
│   ├── train
│   ├── valid
│   └── test
├── labels/
│   ├── train
│   ├── valid
│   └── test

这种划分方式能有效避免数据泄露问题，同时保证模型评估结果的客观性。

2.3 缺陷类别详解

类别名称	英文标识	缺陷说明	工程危害	检测难度
漏孔	missing_hole	应有孔位未钻孔	影响电气连接，导致元器件无法焊接
鼠咬	mouse_bite	边缘出现不规则缺口	影响板件外形和装配
开路	open_circuit	导电线路断裂	电路断路，功能失效
短路	short	不应导通的线路发生连接	电路短路，可能烧毁元器件
毛刺	spur	线路边缘多余突起	可能导致近距离短路
伪铜	spurious_copper	非设计铜箔残留	影响绝缘性能，潜在短路风险

漏孔（missing_hole）

PCB上的过孔和安装孔，是电路板的核心结构元素。漏孔，就是设计中应存在的孔位在制造过程中未被正确钻孔。漏孔会导致元器件无法焊接，或层间连接缺失，是最严重的制造缺陷之一。不过，漏孔的检测相对容易——因为孔位的规则形状和预期位置，本身就提供了明确的检测基准。

鼠咬（mouse_bite）

鼠咬指的是PCB板边缘出现的不规则缺口，形状类似老鼠咬痕。这种缺陷通常由铣板过程中的工艺问题引起。鼠咬会影响板件的外形尺寸精度，严重时可能导致板件在装配时无法正确安装或固定。

开路（open_circuit）

开路是指导电线路在某个位置断裂，导致电流无法通过。这是PCB最致命的缺陷之一，直接导致电路功能失效。开路缺陷往往非常细微，断裂宽度可能只有几微米，在低分辨率图像中极难识别，是检测难度最大的缺陷类型之一。

短路（short）

短路是指两个不应导通的导电线路之间发生了电气连接。短路会导致异常电流通路，可能烧毁元器件或导致电路功能紊乱。短路缺陷通常表现为线路上多余的铜箔连接，与开路一样属于最严重的缺陷类型。

毛刺（spur）

毛刺是指导线边缘出现的多余铜箔突起，通常由蚀刻不完全引起。毛刺本身可能不影响当前功能，但当毛刺与相邻线路距离过近时，在后期使用中可能因振动或热膨胀导致短路。

伪铜（spurious_copper）

伪铜是指PCB表面出现的非设计铜箔残留，通常由蚀刻工艺缺陷引起。伪铜可能出现在任何位置，影响线路间的绝缘性能，存在潜在的短路风险。

2.4 标注格式与规范

数据集采用YOLO标注格式，每张图片对应一个.txt文件：

标注特点：

• 坐标归一化处理（0~1）
• 支持多目标检测
• 边界框精度 ≤ 1 像素
• 标注准确率 ≥ 99%

类别编号映射：

0 → missing_hole
1 → mouse_bite
2 → open_circuit
3 → short
4 → spur
5 → spurious_copper

三、PCB缺陷检测的核心挑战

3.1 小目标检测

PCB缺陷的典型特征是什么？就是“小”。在640×640的输入分辨率下，很多缺陷只占几十个像素，部分开路和短路缺陷甚至只有几个像素宽。小目标检测，是PCB缺陷检测首先要面对的挑战。

：

• 特征信息少：小目标在深层特征图上可能只对应不到1个像素
• 上下文信息有限：小目标周围的上下文信息不足
• IoU敏感性：小目标对边界框偏移极其敏感，1像素的偏差可能导致IoU大幅变化

：

• 提高输入分辨率：640→1024→1280
• 增加小目标检测层：P2层保留更多浅层细节
• 切片辅助推理（SAHI）：将大图切分后分别检测
• 特征融合优化：增强浅层特征和深层特征的融合

3.2 类间差异细微

部分缺陷在视觉上极为相似，容易混淆：

• 开路 vs 短路：都涉及线路异常，但一个是断裂，一个是多余连接
• 毛刺 vs 伪铜：都是多余铜箔，但毛刺在线路边缘，伪铜在独立位置
• 鼠咬 vs 毛刺：都是边缘异常，但鼠咬在板边缘，毛刺在线路边缘

3.3 背景纹理干扰

PCB表面具有复杂的纹理结构——铜走线、阻焊层、丝印层等，形成了密集的规则图案。这些纹理很容易与缺陷混淆，导致误报。这也是为什么纯视觉方法在PCB检测中，常常会遇到“看花眼”的问题。

3.4 缺陷形态多变

同一类缺陷的形态，可能变化很大：

• 短路：可能是一小段铜桥，也可能是一大片铜箔
• 开路：可能是明显的断裂，也可能是微小的裂纹
• 毛刺：可能是一个小突起，也可能是多个连续突起

四、模型训练实战

4.1 数据配置

# data.yaml
path: dataset
train: images/train
val: images/valid
test: images/test

nc: 6
names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']

4.2 高分辨率训练

PCB缺陷检测，推荐使用高分辨率输入：

# 高分辨率训练
yolo detect train data=data.yaml model=yolov8s.pt epochs=200 imgsz=1024 batch=8 lr0=0.01 mosaic=1.0 mixup=0.1

4.3 小目标优化策略

SAHI切片推理

from sahi import AutoDetectionModel
from sahi.utils.cv import read_image

# 加载模型
detection_model = AutoDetectionModel.from_pretrained(
    model_type="yolov8",
    model_path="best.pt",
    confidence_threshold=0.3,
    image_size=1024
)

# 切片推理
from sahi import get_sliced_prediction
result = get_sliced_prediction(
    image=read_image("pcb_image.jpg"),
    detection_model=detection_model,
    slice_height=320,
    slice_width=320,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2
)

注意力机制增强

# 在YOLOv8 C2f模块中嵌入CBAM
class C2f_CBAM(nn.Module):
    def __init__(self, c1, c2, n=1, shortcut=False):
        super().__init__()
        self.cv1 = Conv(c1, 2 * c2, 1)
        self.cv2 = Conv((2 + n) * c2, c2, 1)
        self.m = nn.ModuleList(Bottleneck(c2, c2, shortcut) for _ in range(n))
        self.cbam = CBAM(c2)
    def forward(self, x):
        y = list(self.cv1(x).chunk(2, 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cbam(self.cv2(torch.cat(y, 1)))

4.4 类别不平衡处理

PCB缺陷数据通常存在类别不平衡问题——某些缺陷（如missing_hole）样本较多，而另一些（如open_circuit）样本较少：

# 计算类别权重
import numpy as np
from collections import Counter

label_counts = Counter(all_labels)
total = sum(label_counts.values())
class_weights = {cls: total / (len(label_counts) * count)
                 for cls, count in label_counts.items()}

# 归一化
max_weight = max(class_weights.values())
class_weights = {cls: w / max_weight for cls, w in class_weights.items()}

4.5 训练结果

模型	输入分辨率	mAP50	mAP50-95	推理速度
YOLOv8s	640	85.3%	62.7%	12ms
YOLOv8s	1024	89.7%	67.5%	28ms
YOLOv8s+CBAM	1024	91.2%	69.8%	32ms
YOLOv8m	1024	92.5%	71.3%	48ms

各类别AP：

缺陷类型	AP50	AP50-95	检测难度分析
missing_hole	96.5%	78.2%	规则形状，易于检测
mouse_bite	88.3%	65.4%	边缘不规则，定位精度受限
open_circuit	82.1%	58.7%	极小目标，特征信息少
short	85.7%	61.3%	形态多变，尺度差异大
spur	86.9%	63.8%	与线路边缘关联，定位需精准
spurious_copper	90.2%	68.5%	颜色特征明显，相对容易

五、工业部署方案

5.1 产线部署架构

AOI相机采集PCB图像
    ↓
图像预处理（去噪、增强）
    ↓
GPU推理服务器（TensorRT加速）
    ↓
缺陷检测结果（位置+类别+置信度）
    ↓
业务判定（OK/NG）
    ↓
分拣控制信号
    ↓
数据记录与统计分析

5.2 实时性要求

工业产线对检测速度的要求，可不含糊：

• 产线速度：通常0.5~2m/s
• 检测节拍：每块PCB需在100ms内完成检测
• 推理延迟：模型推理需在30ms内完成
• 吞吐量：需支持30+ FPS的稳定推理

5.3 TensorRT加速部署

# 导出ONNX
from ultralytics import YOLO
model = YOLO("best.pt")
model.export(format="onnx", imgsz=1024, simplify=True, opset=12)

# 转换TensorRT
# trtexec --onnx=best.onnx --sa veEngine=best.engine --fp16 --shapes=input:1x3x1024x1024

5.4 边缘设备部署

对于空间受限的检测工位，可以使用边缘设备部署：

• NVIDIA Jetson AGX Orin
  ：275 TOPS，支持INT8推理

• NVIDIA Jetson Orin NX
  ：100 TOPS，性价比高

• Hailo-8
  ：26 TOPS，超低功耗

# Jetson部署流程
# 1. 导出ONNX
# 2. 使用TensorRT转换（Jetson自带）
# 3. 使用PyCUDA或triton-inference-server推理

5.5 漏检与误报平衡

工业场景中，漏检和误报的影响截然不同：

• 漏检
  ：缺陷产品流出，可能导致客户投诉、退货甚至安全事故

• 误报
  ：良品被误判为不良品，增加复检成本

行业里一般采用“宁误勿漏”策略——适当降低置信度阈值，然后通过人工复检来排除误报。毕竟，漏掉一个缺陷的代价，往往比多花点人工复检成本要高得多。

# 工业级检测配置
CONFIDENCE_THRESHOLD = 0.3  # 较低阈值，减少漏检
NMS_IOU_THRESHOLD = 0.45
MIN_DEFECT_AREA = 50  # 最小缺陷面积（像素），过滤噪点

六、质检系统集成与数据分析

6.1 SPC统计过程控制

将检测结果集成到SPC系统中，实时监控缺陷分布趋势：

• 缺陷类型分布统计
• 缺陷率时间趋势图
• 缺陷位置热力图
• 异常波动自动预警

6.2 根因分析

基于检测结果，可以追溯工艺问题：

• 漏孔增多 → 钻孔工序异常
• 短路增多 → 蚀刻工序偏差
• 毛刺增多 → 蚀刻液浓度异常
• 鼠咬增多 → 铣板刀具磨损

6.3 闭环优化

缺陷检测 → 统计分析 → 根因定位 → 工艺调整 → 效果验证
   ↑                                                       |
   └───────────────────────────────────────────────────────┘

七、技术演进方向

7.1 从检测到分割

目标检测输出的是矩形边界框，但PCB缺陷的形状往往不规则。实例分割能提供更精确的缺陷轮廓，有助于：

• 更准确的缺陷面积计算
• 更精确的缺陷形状分析
• 更好的缺陷严重度评估

7.2 异常检测

对于未见过的缺陷类型，传统监督学习方法无法识别。基于异常检测的方法，可以：

• 学习正常PCB的分布
• 检测偏离正常分布的异常区域
• 无需标注每种缺陷类型

这在应对新型缺陷时，会是一个很有潜力的方向。

7.3 多模态融合

结合AOI和X-Ray检测数据：

• AOI检测表面缺陷
• X-Ray检测内部缺陷（如内层短路）
• 两种模态互补，实现全方位检测

7.4 在线学习

产线持续产生新的缺陷样本，在线学习可以使模型不断进化：

• 新缺陷样本自动收集
• 模型增量更新
• 人工审核闭环

八、总结

本PCB表面缺陷检测数据集包含近3500张高质量标注图像，覆盖6类常见工业缺陷。在数据质量、标注精度与应用价值之间，达到了一个不错的平衡，是一个非常适合工业视觉任务的优质数据资源。

PCB缺陷检测，是深度学习在工业领域最成功的落地应用之一。从YOLO系列模型的实时检测，到TensorRT的极致加速；从小目标优化策略，到产线部署架构——每一个环节，都需要精心设计和反复验证。在实际部署中，漏检率和误报率的平衡、检测速度和精度的权衡、模型更新与持续优化的机制，都是决定系统成败的关键因素。

随着智能制造的深入推进，PCB缺陷检测将朝着更高精度、更强鲁棒性和更智能化的方向持续演进，为电子制造行业的质量提升和降本增效贡献力量。