基于改进YOLOv7的PCB表面缺陷检测研究.pdf
哈尔滨理工大学电子信息硕士学位论文
基于改进YOLOv7的PCB表面缺陷检测研究
摘要
PCB制造过程中，每一个步骤可能存在不良操作和外界破坏都会导致PCB
出现缺陷。常见的缺陷包括漏孔、毛刺、鼠咬、短路、断路和余铜六种。这些
缺陷会对正常运行和性能产生直接影响，引发连通性问题、信号干扰、电流异
常、元器件故障甚至整个系统失效。因此，检测这些缺陷对保证电路板质量和
可靠性至关重要。
传统的图像处理方法存在计算量大和准确率低的问题，机器视觉检测方法
在处理复杂的PCB图像背景时难以有效提取缺陷特征。相比之下，基于深度学
习的YOLO系列算法以其高速、高精度和轻量模型等特点在PCB缺陷检测中
表现突出，实现了实时检测的要求。YOLOv7算法作为YOLO系列的最优版本，
在检测精度和速度方面都取得了显著提升，但传统YOLOv7网络还存在特征提
取能力不足、损失函数不准确和激活函数对空间特征信息的敏感性不足的问题。
因此，论文构建了一个基于改进YOLOv7算法的PCB表面缺陷检测系统，
主要研究内容如下：
首先，基于北京大学公开数据集和网络爬虫的方式获取PCB缺陷图像，并
对图像进行筛选和裁剪，通过应用SRGAN网络进行图像增强，随后进行标注
和划分，最终获得了包含12779张图片和76754个缺陷的高质量、多样性的
PCB表面缺陷数据集；然后，针对YOLOv7算法在特征提取阶段无法有效捕捉
图像中关键特征的问题，引入了CBAM注意力机制，提升了0.93%的mAP指
标；针对损失函数在处理目标位置误差和大小误差时不够准确的问题，引入了
Focal-EIOU损失函数，提升了0.19%的mAP指标；针对传统的ReLU激活函数
无法很好处理空间特征信息的敏感性问题，引入了FReLU激活函数，提升了
1.31%的mAP指标。同时引入了以上三种改进措施，改进后的YOLOv7算法的
mAP指标提高了3.96个百分点，达到了94.79%。其中检测漏孔、毛刺、鼠咬、
短路、断路和余铜缺陷的平均精确率分别达到98.01%、90.20%、93.26%、
98.23%、92.60%和96.41%。通过客观性能指标以及实际检测效果进行比较，
验证了改进YOLOv7算法在PCB表面缺陷检测领域展现出较高的精度。最后，
通过Vue框架和Flask框架搭建了PCB表面缺陷检测系统应用平台，并利用
I
哈尔滨理工大学电子信息硕士学位论文
MySQL存储检测结果，通过功能测试和性能测试，验证系统能够满足PCB缺
陷检测的实际应用需求。
关键字：目标检测；PCB缺陷；YOLOv7；SRGAN
II
哈尔滨理工大学电子信息硕士学位论文
ResearchonPCBSurfaceDefectDetectionBasedon
ImprovedYOLOv7
Abstract
InthePCBmanufacturingprocess,theremaybebadoperationsandexternal
damageateverystepthatcanleadtodefectsinthePCB.Commondefectsinclude
leaks,burrs,ratbites,shortcircuits,opencircuits,andresidualcopper.Thesedefects
canhaveadirectimpactonnormaloperationandperformance,causingconnectivity
issues,signalinterference,currentanomalies,compone