仪器仪表学报

作者：张永宏，许鑫豪，尹贺峰，李子奇

单位：张永宏,南京信息工程大学自动化学院南京210044,yhzhang@cwxu.edu.cn,许鑫豪,南京信息工程大学自动化学院南京210044,,尹贺峰,无锡学院自动化学院无锡214105,,李子奇,无锡学院自动化学院无锡214105,

关键词：特征融合;深度学习;注意力机制;缺陷检测;元件检测

基金：国家自然科学基金项目(42175157)、江苏省高等学校基础科学研究面上项目(23KJB520036)、无锡市科技发展资金项目(K20231003)资助

随着电子产品向高性能、小型化方向发展，印刷电路板(PCB)作为电子系统的核心载体，其设计与制造日趋复杂，元件排列更加紧密，结构也更加精细，从而对元件检测与缺陷检测提出了更高的要求。虽然以YOLO为代表的基于卷积神经网络的目标检测模型已获得大量研究，但这些模型只针对单一的缺陷或元件检测场景进行设计，且在小目标和密集场景的检测上效果有限，而RT-DETR的出现使得基于Transformer的端到端检测模型在实时检测领域有了出色的表现。为此，在RT-DETR模型基础上，针对PCB场景提出了一种基于Transformer的端到端实时目标检测模型MFSF-DETR。首先，采用Faster-CGLUBlock替换主干网络中的Block层，细化通道注意力机制，引入了纠缠Transformer模块(ETB)整合频域与空间域，丰富深层语义。然后，设计了自适应加权跨尺度特征融合网络(RAWCFF)代替了基于CNN的跨尺度特征融合网络(CCFF)，并与跨尺度特征移位融合网络(CFSF)组成新的特征融合编码器，实现邻层特征与非邻层特征的深度交互。最后，分别使用PCB缺陷数据集DsPCBSD+与PKU-Market-PCB、PCB元件数据集PCB_WACV、PCB与无人机数据集VisDrone2019评估提出的模型在PCB场景下的检测效果与泛化能力。实验结果表明，MFSF-DETR模型在缺陷与元件检测上达到了85.6%、98.1%与89.9%的最高精度，相比基线模型提高3.1%、1.0%与3.8%，同时FPS指标也达到了120.2、57.1与71.8，实现了PCB背景下的高效、高精度检测。

来源：2025年第8期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第8期