软件工程与应用|基于YOLOv12的PCB缺陷检测系统研究

点击蓝字，关注我们

导读：

在汉斯出版社《软件工程与应用》期刊上，有论文设计实现基于 YOLOv12 的 PCB 缺陷检测系统，解决传统方法的核心痛点，实现自动化、高精度、实时检测，对提升电子制造业质量控制水平、降低生产成本具有重要理论与工程价值。

基本信息：

基于YOLOv12的PCB缺陷检测系统研究

Research on PCB Defect Detection System Based on YOLOv12

作者：

佟磊：河北软件职业技术学院软件工程系，河北保定；河北省智能互联装备与多模态大数据应用技术研发中心，河北保定

关键词:

PCB缺陷检测；YOLOv12；PyQt5；可视化系统；实时检测

项目基金：

保定市科技计划资助，项目名称：基于深度学习技术的 PCB 表面缺陷检测系统研究，项目编号：2411ZG022。

原文链接：

https://doi.org/10.12677/sea.2026.151011

内容简介：

上下滑动，查看更多

基于 YOLOv12 的 PCB 缺陷检测

1.YOLOv12

YOLOv12 的网络通过三大创新模块突破传统 CNN 主导的设计局限，实现性能与实时性的平衡。首先，区域注意力模块采用均等分区策略，将特征图沿水平或垂直方向分为 4 个区域，以简单 reshape 操作替代复杂窗口划分，在维持大感受野的同时，将注意力计算成本大幅降低；其次，残差高效层聚合网络针对注意力机制带来的优化不稳定问题，在 ELAN 基础上新增块级残差缩放连接，减少计算量与参数规模的同时保障梯度流畅传递；此外，架构层面的适配优化进一步强化实用性，保留 YOLO 经典分层设计，移除主干网最后阶段的多块堆叠，采用 Conv2d + BN 替代 Linear + LN 以提升计算效率，引入 FlashAttention解决内存访问瓶颈，在补充位置信息的同时不牺牲推理速度，三大模块协同使 YOLOv12 充分发挥注意力建模优势，兼顾实时检测需求。

2.PCB 缺陷数据集

本研究采用 DeepPCB 公开基准数据集，该数据集由 Tang 等人于 2019 年发布，为 PCB 缺陷检测算法性能对比提供统一标准。数据集包含 1500 对无缺陷模板图像和含缺陷测试图像，单张图像分辨率640 × 640 像素，采样精度达 48 像素/毫米，可清晰呈现微小缺陷细节。

原始标注为 Pascal VOC 格式 XML 文件，本研究转换为 YOLO 格式用于模型训练。涵盖 6 类典型工业缺陷：开路(open)、短路(short)、鼠咬(mousebite)、毛刺(spur)、针孔(pin hole)、杂铜(spurious copper)。数据集按 8:1:1 比例随机划分为训练集(1200 张)、验证集(150 张)、测试集(150 张)，适配深度学习模型训练与性能评估流程。

3.模型训练

本研究的实验硬件环境配置如下：中央处理器采用 Intel(R) Core(TM) i5-11400H，图形处理器为NVIDIA RTX 3050，配备 16GB 运行内存与 4GB 显存，能够满足 YOLOv12 模型训练与推理的基础硬件需求；软件环境基于 PyTorch 2.2.0 深度学习框架搭建，为模型训练提供稳定支撑。模型训练过程中设置具体参数如下：训练轮数为 300 轮，确保模型充分收敛学习缺陷特征；批次大小设为 4，适配 4 GB 显存的硬件限制，避免出现显存溢出问题；输入图像尺寸统一调整为 640 × 640 像素，兼顾检测精度与计算效率；初始学习率设定为 0.01，权重衰减系数为 0.0005，用于平衡模型训练速度与防止过拟合；数据增强方面，马赛克增强概率设置为 0.3，用于提升模型对复杂场景的泛化能力，混合增强设置为 0，避免过度增强导致微小缺陷特征丢失，保障 DeepPCB 数据集上的缺陷检测效果。

为清晰呈现 YOLOv12 模型在 DeepPCB 数据集上完成缺陷检测任务的训练进程及性能变化规律，本研究对损失函数、检测精度、召回率以及平均精度均值等核心评价指标展开全程监控与可视化分析，相关结果如图 1 所示。从训练损失变化曲线可见，边界框损失(train/box_loss)、类别损失(train/cls_loss)与分布焦点损失(train/dfl_loss)均从较高初始值快速回落，并逐渐趋于收敛平稳，这意味着模型对 PCB 缺陷的目标定位、类别判别以及边界框精细化回归能力得到持续优化。同时，验证集的边界框损失与类别损失变化趋势与训练集高度吻合，无显著偏离，佐证模型泛化性能优良，未出现过拟合问题。此外，检测精度(metrics/precision (B))与召回率(metrics/recall (B))均快速攀升并趋近于 1，各类平均精度指标也趋于饱和，充分说明模型检测性能优异，已充分习得 PCB 缺陷的核心视觉特征。

系统软件架构设计

1.整体架构设计（图2）

2.模块交互流程（图3）

系统实现

1.开发环境

系统的软硬件环境配置充分满足 PCB 缺陷检测的实时性与准确性需求。硬件层面采用 Intel (R) Core(TM) i5-11400H 处理器，搭配 NVIDIA RTX 3050 独立显卡，配备 16 GB 运行内存与 4 GB 显存，既能够支撑 YOLOv12 模型的轻量化训练，又可保障工业场景下的实时推理效率，避免因硬件性能不足导致的检测延迟。软件层面基于 PyTorch 2.2.0 深度学习框架搭建模型训练与推理环境，采用 PyQt5 开发可视化人机交互界面，依托 OpenCV 库完成图像的预处理与增强操作，利用 MySQL 数据库储缺陷台账数据，构建起“采集–处理–检测–存储”的完整技术链路，软硬件协同配合确保系统在复杂工业工况下高效稳定运行。

2.核心功能实现（图4-5）

结论与展望

本研究围绕 PCB 缺陷工业检测的智能化需求，成功构建了基于 YOLOv12 深度学习模型与 PyQt5 可视化框架的 PCB 缺陷自动化检测系统，实现了从相机实时采集、缺陷精准识别、结果可视化展示到台账全生命周期管理的全流程闭环处理。系统通过置信度、帧率等核心参数的灵活配置，以及单条结果快速导出、批量台账完整归档的互补式数据导出功能，兼顾了现场检测的高效性与后台管理的规范性，有效降低了人工检测的主观误差与劳动成本，提升了 PCB 缺陷检测的精准度与可追溯性，具备良好的工业落地价值。但目前系统仍存在一定不足，如对极小尺寸缺陷的识别率有待提升，且暂未实现与 MES 制造执行系统的无缝对接。未来将进一步优化 YOLOv12 模型，通过数据增强、特征融合策略提升小缺陷识别能力，同时拓展系统功能，实现与工业产线其他系统的联动，推进系统的嵌入式部署与大规模工业化应用，为电子制造业质检环节的智能化升级提供更有力的技术支撑。

期刊介绍：

所属期刊