一种基于YOLOv8的高精度PCB缺陷检测算法（原创自研）

💡💡💡本文内容：提出了一种基于YOLOv8的高精度PCB缺陷检测算法，包括1）一种基于内容引导注意力(CGA)的混合融合方案；2）广义高效层聚合网络（GELAN） | YOLOv9

mAP@0.5由原始的0.966提升至0.980

💡💡💡消融实验如下:

1）提出了一种基于内容引导注意力(CGA)的混合融合方案，mAP@0.5由原始的0.966提升至0.975

2）广义高效层聚合网络（GELAN） | YOLOv9，mAP@0.5由原始的0.966提升至0.978

1.PCB缺陷检测数据集介绍

印刷电路板（PCB）瑕疵数据集是一个公共的合成PCB数据集，6种缺陷（缺失孔，鼠咬伤，开路，短路，杂散，伪铜），用于检测、分类和配准任务。我们选取了其中适用于检测任务的693张图像，然后进行一倍数据扩充得到1386张

细节图：

类别分布情况：

2.基于YOLOv8的PCB缺陷检测

2.1 原始结果

原始mAP为0.966

推理结果

​

2.2 一种基于内容引导注意力(CGA)的混合融合方案

💡💡💡创新点：提出了一种基于内容引导注意力(CGA)的混合融合方案，将编码器部分的低级特征与相应的高级特征有效融合。

💡💡💡如何跟YOLOv8结合：将backbone和neck的特征融合，改进结构图如下

mAP@0.5由原始的0.966提升至0.975

​

2.3 广义高效层聚合网络（GELAN） | YOLOv9

💡💡💡本文独家改进：即结合用梯度路径规划（CSPNet）和（ELAN）设计了一种广义的高效层聚合网络（GELAN），高效结合YOLOv8，实现涨点。

广义高效层聚合网络（GELAN）：使用GELAN改进架构

GELAN通过结合两种神经网络架构，即结合用梯度路径规划（CSPNet）和（ELAN）设计了一种广义的高效层聚合网络（GELAN）；GELAN综合考虑了轻量级、推理速度和准确度。

特征1：综合设计 - GELAN融合了CSPNet和ELAN的设计理念，创建了一个灵活的网络架构，能够根据不同的应用需求和计算资源进行调整。

CSPNet通过分割和合并特征图来减少冗余计算，而ELAN则使用层聚合来增强特征的表示能力。

特征2：计算块的自由选择 - 与传统的深度网络架构依赖特定类型的计算单元不同，GELAN允许在其框架内使用各种类型的计算块，比如传统的卷积层、深度可分卷积或者其他类型的新颖计算单元。

​

mAP@0.5由原始的0.966提升至0.978

3.一种基于YOLOv8的高精度PCB缺陷检测算法（原创自研）

💡💡💡本文内容：提出了一种基于YOLOv8的高精度PCB缺陷检测算法，包括1）一种基于内容引导注意力(CGA)的混合融合方案；2）广义高效层聚合网络（GELAN） | YOLOv9

​mAP@0.5由原始的0.966提升至0.980

​

4.系列篇

1）加入一种基于内容引导注意力(CGA)的混合融合方案

2） 广义高效层聚合网络（GELAN） 来自YOLOv9

3）一种基于YOLOv8的高精度PCB缺陷检测算法（原创自研）

​