YOLO26上阵PCB质检：六类缺陷自动识别，电路板缺陷检测，mAP达0.951（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

随着电子制造业向高精度、高集成度发展，印刷电路板（PCB）的质量检测成为保证产品可靠性的关键环节。传统的PCB缺陷检测方法依赖人工目检或传统图像处理技术，效率低、误检率高，难以满足现代工业自动化需求。本研究基于YOLO26目标检测算法，构建了一个PCB缺陷自动识别系统，涵盖六类常见缺陷：missing_hole、mouse_bite、open_circuit、short、spur、spurious_copper。

系统采用YOLO26作为基础架构，使用554张图像进行训练，139张图像进行验证，通过多维度评估指标分析模型性能。实验结果表明，模型在多数缺陷类别上具有较高的精确率，整体mAP@0.50达到0.951，F1分数最高为0.94。然而，由于类别分布不均和部分缺陷样本稀缺，模型在少数类如open_circuit和spurious_copper上的识别效果仍有待提升。本研究为PCB自动化检测提供了可行方案，并为后续优化指明了方向。

详细功能展示视频

https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（detection_result_20240101_120000.jpg）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

引言

印刷电路板（PCB）是电子产品的核心载体，其制造过程中的微小缺陷可能导致整个电路失效，甚至引发安全隐患。随着电子产品向小型化、高密度方向发展，PCB线路愈发精细，传统人工目检方式已难以胜任高强度、高精度的检测任务。机器视觉与深度学习技术的结合，为PCB缺陷检测带来了革命性突破。特别是基于卷积神经网络的目标检测算法，能够在复杂背景下自动识别和定位多种缺陷类型，极大提升了检测效率和准确性。

YOLO（You Only Look Once）系列算法因其端到端的检测结构和优异的实时性能，成为工业检测领域的常用选择。本研究基于YOLO26构建PCB缺陷识别系统，旨在实现对六类常见缺陷的自动检测与分类。通过对训练过程的监控与结果分析，评估模型在实际工业场景中的可行性与局限性，为后续优化提供依据。

背景

在电子制造过程中，PCB需要经过多道工序，包括蚀刻、钻孔、镀铜、焊接等，任何环节的偏差都可能导致缺陷产生。常见的PCB缺陷可分为以下几类：

• 缺失孔（missing_hole）：应钻孔的位置未被钻通，影响元器件安装。

• 鼠咬痕（mouse_bite）：线路边缘出现凹陷，可能导致线路断裂。

• 开路（open_circuit）：线路断开，导致信号无法传输。

• 短路（short）：相邻线路意外连接，引发电路故障。

• 毛刺（spur）：线路边缘多余铜箔残留，可能导致短路。

• 多余铜箔（spurious_copper）：非线路区域残留铜箔，可能引发电气异常。

这些缺陷的存在不仅影响PCB功能，还可能导致整个电子产品失效。因此，PCB出厂前必须经过严格的检测。传统检测方法主要依赖人工目检或基于规则的图像处理，存在以下问题：

1. 效率低：人工检测速度慢，难以应对大批量生产需求。

2. 主观性强：不同检测人员标准不一，误检漏检率高。

3. 适应性差：传统图像处理算法对光照、角度变化敏感，鲁棒性差。

随着深度学习技术的发展，基于目标检测的PCB缺陷自动识别系统逐渐成为研究热点。YOLO系列算法因其检测速度快、精度高、易于部署等优点，被广泛应用于工业质检场景。本研究基于YOLO26构建PCB缺陷检测系统，探索其在真实数据集上的表现，旨在为PCB制造企业提供智能化检测解决方案。

数据集介绍

本研究所使用的PCB缺陷数据集来源于公开的PCB缺陷图像库，经过筛选与标注后用于模型训练与验证。数据集共包含693张图像，按照约 8:2 的比例划分为训练集和验证集：

• 训练集：554张图像

• 验证集：139张图像

缺陷类别（共6类）：

类别名称	英文名称	说明
缺失孔	missing_hole	应钻孔位置未钻孔
鼠咬痕	mouse_bite	线路边缘凹陷，形似鼠咬
开路	open_circuit	线路断裂，信号中断
短路	short	相邻线路意外连接
毛刺	spur	线路边缘多余的铜箔突起
多余铜箔	spurious_copper	非线路区域残留铜箔

训练结果

1、整体表现概览

1.mAP50 和 mAP50-95（来自results.png）

• 从results.png中可以看到，训练过程中的mAP50和mAP50-95都随着 epoch 增加而上升。

---

2 、各类别检测性能分析

1.F1-Confidence 曲线（BoxF1_curve.png）

• 所有类别的最佳 F1 分数为 0.94，出现在置信度阈值0.267左右。

• 各类别 F1 随置信度变化趋势：

  • 在低置信度下，F1 上升；在高置信度下，F1 下降。

  • 说明模型在中等置信度下平衡了精确率和召回率。

2.Precision-Confidence 曲线（BoxP_curve.png）

• 所有类别的最佳精确率为 1.00，出现在置信度0.896。

• 各类别精确率随置信度升高而上升，说明高置信度预测更可靠。

3.Recall-Confidence 曲线（BoxR_curve.png）

• 所有类别的最佳召回率为 0.95，出现在置信度0.000。

• 召回率随置信度升高而下降，说明低置信度下模型能检测到更多目标。

4.Precision-Recall 曲线（BoxPR_curve.png）

• 在 Recall 从 0 到 1 的过程中，Precision 始终保持在1.00，直到 Recall 接近 1 时才下降。

• 说明模型在绝大多数情况下预测非常精准，但可能会漏掉一些目标。

---

3、混淆矩阵分析（confusion_matrix.png和归一化版本）

1.类别分布

• missing_hole类别样本最多（1127），其次是spurious_copper（489）等。

• open_circuit和short类别样本极少（甚至为 0），这可能是这些类别检测性能差的原因。

2.误分类情况

• 从归一化矩阵看：

  • missing_hole被正确分类的比例为1.00，但也有一些被误分为mouse_bite、spur等。

  • mouse_bite被正确分类的比例较低（0.02），大部分被误分为missing_hole和spurious_copper。

  • spurious_copper被正确分类的比例为 0，说明模型几乎无法识别该类。

---

4、训练过程分析（results.png）

• 训练损失（train/box_loss,cls_loss,dfl_loss）随着 epoch 增加逐渐下降，说明模型在学习。

• 验证损失（val/box_loss,cls_loss,dfl_loss）也在下降，说明模型泛化能力尚可。

• 精确率和召回率在训练后期趋于稳定，mAP 也在稳步提升。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频

https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1zfoKBxEKH/