1. 引言
随着电子信息产业的快速发展，印刷电路板(Printed Circuit Board, PCB)作为关键的基础组件，其质量对于整个电子设备的性能和稳定性具有至关重要的影响[1]。随着物联网、智能辅助驾驶、5G通信等领域的快速迭代，PCB向高密度、多层化、微型化方向持续演进，导致其表面缺陷的尺寸进一步缩小，且缺陷特征与背景纹理高度相似，如人工目检、自动光学检测等传统检测方法面临严峻挑战[2]。深度学习技术的兴起为PCB缺陷检测提供了新解决方案[3]。其中YOLO [4]系列算法因端到端预测、精度与速度平衡的优势，成为研究者的首选。当前PCB缺陷检测的相关研究多聚焦于YOLO模型的结构改进，如通过引入注意力机制、优化损失函数、替换轻量化骨干等方式提升性能[5]-[7]。尽管现有改进YOLO算法对综合mAP50有一定的提示，但仍存在小目标漏检、复杂背景干扰导致的伪缺陷误报、多缺陷关联识别和参数较多的问题。
由Lei等于2025年推出的YOLOv13 [8]的超图建模与全流程特征分配为解决上述问题提供了新思路：超图机制可捕捉多缺陷的语义关联，FullPAD实现特征双F向流通，强化小目标特征响应。但现有研究未明确YOLOv13在PCB缺陷检测上的精度、速度表现，也未建立标准化的训练与测试流程，导致工业界应用时需重复探索参数配置，非算法研发人员的应用门槛较高。本文首次系统性验证YOLOv13在PCB检测的基础性能，填补YOLOv13在特定领域的研究空白。以YOLOv13为模型、DeepPCB [9]为实验数据集，开展系统性的训练与测试研究。建立YOLOv13在PCB缺陷检测场景的性能基准，为后续模型改进提供可对比的基线；设计适配PCB小目标缺陷检测的训练参数，为后续研究提供支撑。
针对YOLOv13的HyperACE在PCB细长和低对比度缺陷特征的全局稀释问题，本文在HyperACE中嵌入缺陷感知注意力，在不增加参数量的前提下，提升了YOLOv13对开路、短路等细长和低对比度缺陷的检测精度。
2. 实验准备
2.1. DeepPCB数据集处理
DeepPCB数据集由上海交通大学图像处理与模式识别研究所公开，是PCB缺陷检测领域的基准数据集之一，其数据特性与标注规范适用于评估目标检测模型的小目标检测能力与抗背景干扰能力。数据集包含6类典型PCB表面缺陷，覆盖工业生产中常见的工艺误差类型(表1)。数据集共1500张图像，针对每张图像引入了部分人工合成缺陷，使得每张图像约有3到12个缺陷，大大扩充了缺陷样本，同时采用二值化操作，以避免光照和背景的影响[6]。
Table 1. Defect categories and characteristics of the DeepPCB dataset
表1. DeepPCB数据集缺陷类别与特性
缺陷类别 |
标签名称 |
产生原因 |
典型像素尺寸 |
缺陷样例 |
开路 |
open |
线路断裂、机械损伤等 |
15~40 |
|
短路 |
short |
布线间距过小、残焊连桥等 |
8~25 |
|
鼠咬 |
mousebite |
线路边缘局部被过度蚀刻 |
10~30 |
|
毛刺 |
spur |
线路边缘的细小铜丝残留 |
5~15 |
|
残铜 |
copper |
蚀刻工艺残留 |
10~35 |
|
针孔 |
pinhole |
基板材料缺陷、阻焊层涂覆不均等 |
5~10 |
|
为确保模型训练的稳定性与测试结果的可靠性，需将转换后的数据集划分为训练集、验证集与测试集。结合DeepPCB数据集的样本量与PCB缺陷检测的行业惯例，采用8:1:1的划分比例，其中训练集1200张、验证集150张、测试集150张，既保证训练样本充足，又确保验证与测试结果能反映模型泛化能力。
YOLOv13通过yaml格式文件读取数据集信息，需编写deep_pcb.yaml配置文件，明确训练集、验证集、测试集的路径，以及缺陷类别数与类别名称。配置文件的核心作用是建立模型与数据集的映射关系，确保YOLOv13在训练与测试时能正确加载数据。deep_pcb.yaml文件内容如下，路径采用相对路径便于数据集迁移，类别名称与顺序需与表1严格一致：
path: DeepPCB_processed
train: train/images
val: val/images
test: test/images
nc: 6
names: ['open', 'short', 'mousebite', 'spur', 'copper', '']
2.2. 实验环境与评价指标
为确保实验的可复现性与模型训练的效率，构建兼容YOLOv13的软硬件环境。本文采用CPU为Intel(R) Core(TM) i5-11400H，GPU为NVIDIA RTX 3050，运行内存16 G，显存4 G，PyTorch为2.2.0。
为客观评估YOLOv13在PCB缺陷检测中的性能，采用PCB缺陷检测领域的通用评价指标，涵盖精度(P)、召回率(R)、平均精度(AP)与平均精度均值(mAP)、每秒帧数(FPS)五个维度。计算公式如下：
,
,
,
其中，TP表示正确检测的缺陷数，FP表示将背景或正常区域误判为缺陷的数量，FN表示未检测到的真实缺陷数量；AP针对单类缺陷，计算其Precision-Recall (P-R)曲线下的面积，反映该类缺陷在不同置信度阈值下的综合检测精度；平均精度均值是所有缺陷类别的AP平均值；每秒帧数衡量模型的实时性，即单位时间内可检测的图像数量。
3. 模型训练
3.1. YOLOv13模型
针对以下问题：YOLOv11 [10]及以前模型依赖卷积架构，仅能在固定感受野内进行局部信息聚合，建模能力受核大小和网络深度限制；YOLOv12 [11]局限于成对像素关联建模，且为控制计算成本采用局部区域计算，无法实现全局感知；现有超图方法依赖手动设置阈值，难以适配复杂场景，且存在冗余建模，鲁棒性不足。YOLOv13提出三大核心创新模块，形成“高阶关联建模-全流程特征分配-轻量级架构优化”的完整解决方案。
通过超图计算自适应地利用潜在的高阶相关性，克服了以往方法仅基于成对相关性建模的限制，实现了高效的全局跨位置和跨尺度特征融合与增强。基于HyperACE提出了全链路聚合与分配范式，通过将相关性增强特征分配到整个网络，有效实现了全网的细粒度信息流和表征协同。用深度可分离卷积代替常规的大核卷积，并设计了一系列块结构，在不牺牲性能的前提下显著降低了参数量和计算复杂度。
3.2. 训练参数设置
训练参数的设置直接影响模型的收敛速度、精度与泛化能力。结合DeepPCB数据集的特性与YOLOv13的模型特点，本文设置的核心训练参数见表2。
YOLOv13提供四种模型变体(n/s/l/x)，区别在于参数量、计算量与精度的平衡，其在COCO数据集[12]上使用单块Tesla T4 GPU的评估表现见表3。结合PCB缺陷检测的需求，需同时满足小目标检测精度与实时性，本文选择YOLOv13-N作为实验模型，官方预训练权重(yolov13n.pt)在COCO数据集上的评估性能良好，具备良好的通用目标检测能力，迁移到PCB缺陷检测场景时收敛更快。
Table 2. YOLOv13 training parameter settings
表2. YOLOv13训练参数设置
参数名称 |
参数值 |
设置依据 |
预训练权重 |
yolov13n.pt |
通过迁移学习加速模型收敛，减少训练轮数 |
数据集配置文件 |
deep_pcb.yaml |
2.1节所配置的数据集文件 |
训练轮数(epochs) |
300 |
确保模型充分收敛 |
批次大小(batch) |
4 |
平衡训练速度与内存占用 |
输入尺寸(imgsz) |
640 × 640 |
兼顾小目标检测与速度： |
初始学习率(lr0) |
0.01 |
基于SGD优化器的经验值 |
权重衰减(weight_decay) |
0.0005 |
抑制过拟合 |
马赛克增强(mosaic) |
0.3 |
降低增强强度，避免过高马赛克破坏小目标特征 |
混合增强(mixup) |
0 |
关闭mixup，防止缺陷重叠模糊 |
Table 3. Feature comparison of YOLOv13 model method on the COCO dataset
表3. YOLOv13模型变体在COCO数据集上的特性对比
模型变体 |
计算量(G) |
参数量(M) |
mAP50 (%) |
YOLOv13-N |
6.4 |
2.5 |
57.8 |
YOLOv13-S |
20.8 |
9 |
65.2 |
YOLOv13-L |
88.4 |
27.6 |
70.9 |
YOLOv13-X |
199.2 |
64 |
72 |
3.3. 训练模型
为直观展现YOLOv13模型在DeepPCB数据集缺陷检测任务中的训练过程与性能演化，对损失函数、精度、召回率及平均精度均值等关键指标进行监控分析，见图1。从训练损失曲线看，train/box_loss (边界框损失)、train/cls_loss (类别损失)与train/dfl_loss (分布焦点损失)均从较高值快速下降并趋于平稳，表明模型对缺陷的定位、分类及边界框精细化回归能力持续提升；同时，val/box_loss与val/cls_loss (验证集损失)与训练损失曲线趋势高度同步，无明显背离，证明模型泛化能力良好，未出现过拟合现象。精度与召回率指标中，metrics/precision(B)与metrics/recall(B)均从0快速上升并趋近于1，体现模型误判率与漏检率极低，“查准”与“查全”能力优异。综合检测能力方面，metrics/mAP50-95(B) (不同IoU阈值下的平均精度均值)稳定在约0.8左右，metrics/mAP50(B) (IoU = 0.5时的平均精度)接近1，metrics/mAP75(B) (IoU = 0.75时的平均精度)也趋于饱和，反映模型在“宽松定位”与“严格定位”要求下，均能保持高效的缺陷检测性能，对缺陷边界框的精准贴合与类别准确识别具备强适应性。综上，模型训练过程健康且泛化能力优异，已充分学习PCB缺陷的视觉特征。
4. YOLOv13算法改进
YOLOv13的HyperACE通过超图动态生成超边，但未结合PCB缺陷的类别先验。HyperACE的关联建模是无类别偏向的，无法针对PCB六大缺陷的差异化特征调整关联权重，导致细长和低对比度的检测精度低于其他类别。
针对PCB缺陷的低对比度、细长型特征，在HyperACE中新增缺陷感知注意力子模块(DAA，Defect-Aware Attention)，基于缺陷区域特征方差远大于背景的先验动态提升缺陷特征的关联权重。其框架见图2。
Figure 1. Monitoring the training process
图1. 训练过程监控
Figure 2. Improved HyperACE for PCB defect detection
图2. 针对PCB缺陷检测改进的HyperACE
DAA模块分四步进行计算，首先对上一层输出计算空间方差，其次使用一个1 × 1 Conv进行通道权重生成，然后使用Sigmoid将方差映射为0~1缺陷概率权重，最后特征加权并将其输出给DS-C3K模块。
5. 结果分析
为全面评估YOLOv13模型和DAA-YOLOv13 (加入DAA模块的YOLOv13)模型在PCB缺陷检测任务中的整体性能，在DeepPCB的测试集进行消融实验，结果见表4。
Table 4. Ablation study on improved model
表4. 改进模型消融实验
模型 |
参数量(M) |
GFLOPs |
FPS |
mAP50 |
mAP50-95 |
YOLOv13 |
2.45 |
6.2 |
77 |
0.987 |
0.821 |
DAA-YOLOv13 |
2.45 |
6.2 |
77 |
0.987 |
0.851 |
从综合指标看，YOLOv13模型引入DAA后，在保证参数量、GFLOPs和FPS未明显降低情况下，全类别平均精度mAP50-95从原先的0.821提升至0.851，相对提升约3.65%，说明DAA能有效增强特征表达，让模型在“低置信度–高置信度”全区间的检测精度更优。
本文选取精确率(P)、召回率(R)以及不同交并比阈值下的平均精度均值(mAP50、mAP75、mAP50-95)作为核心指标，对开路(open)、短路(short)、鼠咬(mousebite)、毛刺(spur)、残铜(copper)、针孔(pinhole) 6类典型PCB缺陷及所有类别综合性能展开分析，对比原生YOLOv13与引入缺陷感知注意力(DAA)的改进模型性能差异，见表5和表6。
Table 5. Detection results for each category in YOLOv13
表5. YOLOv13各类别检测结果
指标类别 |
P |
R |
mAP50 |
mAP75 |
mAP50-95 |
open |
0.979 |
0.97 |
0.981 |
0.935 |
0.744 |
short |
0.973 |
0.934 |
0.981 |
0.829 |
0.715 |
mousebite |
0.952 |
0.981 |
0.993 |
0.933 |
0.809 |
spur |
0.981 |
0.971 |
0.985 |
0.957 |
0.8 |
copper |
0.986 |
0.979 |
0.994 |
0.982 |
0.94 |
pinhole |
0.985 |
0.973 |
0.989 |
0.989 |
0.919 |
all |
0.976 |
0.968 |
0.987 |
0.938 |
0.821 |
Table 6. Detection results for each category in DAA-YOLOv13
表6. DAA-YOLOv13各类别检测结果
指标类别 |
P |
R |
mAP50 |
mAP75 |
mAP50-95 |
open |
0.978 |
0.975 |
0.983 |
0.933 |
0.778 |
short |
0.979 |
0.954 |
0.98 |
0.875 |
0.746 |
mousebite |
0.989 |
0.973 |
0.989 |
0.975 |
0.828 |
spur |
0.987 |
0.966 |
0.987 |
0.974 |
0.831 |
copper |
0.997 |
0.986 |
0.992 |
0.988 |
0.973 |
pinhole |
0.998 |
0.98 |
0.99 |
0.99 |
0.95 |
all |
0.988 |
0.972 |
0.987 |
0.956 |
0.851 |
从单类缺陷表现来看：
开路召回率从0.97提升至0.975，mAP50-95从0.744提升至0.778。开路多为细长、局部的线路断裂，改进后模型在严格交并比匹配标准(mAP50-95)下精度显著增强，既降低了漏检风险，又保持mAP50为0.983的高值，体现缺陷边界框定位与类别识别的精准性。
短路性能提升尤为突出，召回率从0.934提升至0.954，mAP75从0.829跃升至0.875，mAP50-95从0.715提升至0.746。短路因与导线视觉特征相近易漏检，改进后模型通过DAA强化缺陷特征，大幅降低漏检率与误判率，且mAP50维持在0.98左右，保证了边界框定位准确性。
残铜精确率高达0.997，召回率达0.986，mAP50-95从0.94提升至0.973，反映模型对残铜与正常铜箔区域的区分能力进一步增强；同时mAP75达0.988，即便在预测框与真实标注重叠度要求较高的场景下，仍能精准识别残铜缺陷。
鼠咬与毛刺两类性能更趋均衡。鼠咬的精确率从0.952提升至0.989，mAP75从0.933提升至0.975，mAP50-95从0.809提升至0.828，对鼠咬痕边缘不规则性的识别精度显著增强、误判减少；毛刺的mAP75从0.957提升至0.974，mAP50-95从0.8提升至0.831，对细小分散性毛刺的中高置信度检测能力更稳定，未因缺陷形态复杂出现性能衰减。
针孔mAP50-95从0.919提升至0.95，且mAP75与mAP50均接近0.99；召回率从0.973提升至0.98，既提升了针孔缺陷的召回能力，又让预测框与真实标注的重叠度更优，严格IoU要求下仍能精准匹配。
从所有类别综合性能来看，改进后模型的精确率从0.976提升至0.988，召回率从0.968提升至0.972，mAP75从0.938提升至0.956，mAP50-95从0.821提升至0.851。精确率与召回率的协同提升，证明DAA既通过缺陷感知注意力加权强化缺陷特征以减少漏检，又优化缺陷及背景区分性以降低误判；mAP75与mAP50-95的提升则表明，模型在“高置信度预测”与“全区间IoU匹配”场景下的检测精度均得到增强，整体性能更优。
而且模型在GPU NVIDIA RTX 3050上FPS (每秒检测图像数)能达到77，其参数量为2.45 M、计算量为6.2 G，参数少、计算轻，兼顾精度与部署灵活性，满足工业级PCB缺陷检测对可靠性、准确性和速度的需求。单图检测效果见图3。
Figure 3. PCB defect detection results
图3. PCB缺陷检测结果
6. 结论与展望
本文以YOLOv13为基础模型，在DeepPCB数据集上开展PCB缺陷检测的系统性训练与测试研究。首先完成数据集的处理与训练集、验证集、测试集的划分；其次配置训练参数开展模型训练；然后针对 PCB缺陷特征，对YOLOv13的HyperACE模块进行改进，新增缺陷感知注意力(DAA)模块以强化薄弱类缺陷特征表达；最后采用最优训练权重对测试集进行检测与性能评估。实验结果表明，改进后模型参数量约为2.45 M，mAP50达0.987、mAP50-95为0.851，FPS为77，其兼具轻量化、高检测精度与强实时性的特性，能够有效应用于PCB缺陷检测场景。该研究可为非算法研发人员快速部署YOLOv13进行PCB缺陷检测提供实践参考，同时所建立的性能基准也为后续PCB缺陷检测模型的改进提供了可对比的基线，进一步推动了YOLOv13在PCB检测领域的应用与发展。
针对现有改进后YOLOv13在PCB缺陷检测中的应用潜力与待优化方向，未来可从多尺度缺陷协同增强方面深化研究，现有缺陷感知注意力(DAA)虽对中低尺度缺陷有显著提升，但对极小尺寸缺陷的特征捕捉仍有优化空间，后续可在YOLOv13的HyperACE多分支中引入尺度自适应DAA，对小尺度特征分支强化局部像素级细节感知，对大尺度特征分支优化全局关联建模，进一步降低复杂场景下的漏检率。
基金项目
河北省高等学校科学研究项目：“‘碳达峰’目标下转型金融对河北省低碳技术创新的驱动机制与政策设计研究”(QN2025746)。