仪器仪表学报

作者：杨思念，曹立佳，郭川东，刘艳菊，任帅

单位：杨思念,四川轻化工大学计算机科学与工程学院宜宾644000,,曹立佳,2.四川轻化工大学自动化与信息工程学院 宜宾644000； 3.智能感知与控制四川省重点实验室宜宾644000； 4.企业信息化与物联 网测控技术四川省高校重点实验室宜宾644000,caolj@suse.edu.cn,郭川东,2.四川轻化工大学自动化与信息工程学院 宜宾644000； 3.智能感知与控制四川省重点实验室宜宾644000； 4.企业信息化与物联 网测控技术四川省高校重点实验室宜宾644000,,刘艳菊,四川轻化工大学自动化与信息工程学院 宜宾644000,,任帅,四川轻化工大学计算机科学与工程学院宜宾644000,

关键词：YOLO11s;陶瓷电路板;CPCB;缺陷检测

基金：企业信息化与物联网测控技术四川省高校重点实验室开放基金（2024WZY01）、四川轻化工大学科研创新团队计划（SUSE652A011）、四川轻化工大学研究生创新基金（Y2024119）项目资助

针对工业现场陶瓷电路板（CPCB）缺陷检测中存在的数据集有限、缺陷尺度微小、背景复杂等问题，提出了一种基于PXD-YOLO11s的陶瓷电路板缺陷检测方法。首先构建高质量CPCB缺陷专用数据集，系统设计涵盖深度划痕、砂眼、断路等14类典型缺陷的采集方案，采用工业相机和专业光学设备采集高清缺陷图像，并通过图像预处理与数据增强策略提升样本多样性与泛化能力。其次在YOLO11s网络架构基础上进行改进：引入并行特征提取模块（ParNet），通过多分支卷积结构捕获不同尺度的特征信息，同时优化卷积结构以提升特征提取效率；增加专用小目标检测层（XsHead），强化对微小缺陷的识别能力；后处理阶段引入Soft?NMS机制，通过置信度衰减而非直接抑制的方式处理重叠预测框，有效提升对密集排列缺陷的检测能力；最后调整损失函数，采用DIoU损失替代传统的CIoU损失，使模型更加关注预测框与真实框中心点距离和宽高比例，从而提升复杂背景下的目标定位精度。实验结果表明，在自建CPCB数据集上，改进后的PXD-YOLO11s模型在mAP50和mAP(50~95)指标上较原YOLO11s分别提升了5.2%和8.5%。此外，该方法在公开PKU-Market-PCB数据集上的检测性能优于FasterR-CNN、YOLOv5s等典型算法，展现出其良好的泛化能力与特征提取的有效性。所提出的方法显著提升了陶瓷电路板缺陷检测精度，为工业缺陷智能检测提供了高效、可靠的解决方案。

来源：2025年第7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7期