基于双分支特征提取的印刷电路板小目标缺陷检测方法

doi:10.11772/j.issn.1001-9081.2025081034

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 2977-2986.DOI: 10.11772/j.issn.1001-9081.2025081034

• 多媒体计算与计算机仿真 • 上一篇

基于双分支特征提取的印刷电路板小目标缺陷检测方法

欧宇枫¹, 王嘉宏¹^,²()

^1.福建理工大学计算机与数据科学学院，福州 350118
^2.福建省大数据挖掘与应用技术重点实验室（福建理工大学），福州 350118

收稿日期:2025-09-08 修回日期:2025-10-20 接受日期:2025-10-23 发布日期:2025-11-07 出版日期:2026-09-10
通讯作者: 王嘉宏
作者简介:欧宇枫（2000—），男，福建福州人，硕士研究生，CCF会员，主要研究方向：人工智能、仿真优化
王嘉宏（1979—），男，台湾台南人，副教授，博士，CCF会员，主要研究方向：人工智能、大数据分析。
基金资助:
福建省自然科学基金资助项目(2021J011070)

Small-object defect detection method for printed circuit boards based on dual-branch feature extraction

Yufeng OU¹, Chia-Hung WANG¹^,²()

^1.School of Computing and Data Science，Fujian University of Technology，Fuzhou Fujian 350118，China
^2.Fujian Provincial Key Laboratory of Big Data Mining and Applications （Fujian University of Technology），Fuzhou Fujian 350118，China

Received:2025-09-08 Revised:2025-10-20 Accepted:2025-10-23 Online:2025-11-07 Published:2026-09-10
Contact: Chia-Hung WANG
About author:OU Yufeng， born in 2000， M. S. candidate. His research interests include artificial intelligence， simulation optimization.
WANG Chia-Hung， born in 1979， Ph. D.， associate professor. His research interests include artificial intelligence， big data analytics.
Supported by:
Fujian Provincial Natural Science Foundation(2021J011070)

摘要/Abstract

摘要：

针对印刷电路板（PCB）表面小目标缺陷检测中存在的低对比度、形态不规则及易受背景干扰等难题，提出一种双分支特征检测模型DES-Det（Dual branch feature Extraction-Spatial attention Detection）。首先，通过双分支结构协同提取全局上下文与局部细节特征，增强对低像素缺陷的判别能力；其次，引入可变形注意力机制实现自适应特征聚焦，提升对模糊边缘与不规则缺陷的定位精度；并设计基于空间注意力与深度可分离卷积的检测头，在保障检测性能的同时显著降低模型复杂度。在2个公开的PCB缺陷数据集上的实验结果表明，DES-Det的精确率分别达到93.6%与98.4%，相较于基线模型YOLOv8分别提升了5.7与1.4个百分点，参数量下降了26.7%。跨场景泛化实验的结果进一步验证了该方法在复杂工业环境中的有效性与鲁棒性。

关键词: 印刷电路板, 小目标缺陷检测, 注意力机制, 多尺度特征提取, 深度可分离卷积

Abstract:

To address the challenges of detecting small-object defects on Printed Circuit Board （PCB） surfaces， such as low contrast， irregular shapes， and susceptibility to background interference， a dual-branch feature detection model named Dual branch feature Extraction-Spatial attention Detection （DES-Det） was proposed. First， a dual-branch collaboration was used to extract global contextual and local detailed features， thereby enhancing the discriminative capability for low-pixel defects. Second， a deformable attention mechanism was introduced to achieve adaptive feature focusing， thereby improving the localization accuracy for blurred edges and irregular defects. At the same time， a detection head based on spatial attention and depthwise separable convolution was designed to reduce model complexity significantly while maintaining detection performance. Experimental results on two public PCB defect datasets demonstrate that DES-Det achieves precisions of 93.6% and 98.4%， respectively， representing improvements of 5.7 and 1.4 percentage points， respectively， compared to the baseline model YOLOv8， with the number of parameters reduced by 26.7%. Cross-scenario generalization experimental results further validate the method's effectiveness and robustness in complex industrial environments.

Key words: Printed Circuit Board (PCB), small-object defect detection, attention mechanism, multi-scale feature extraction, depthwise separable convolution

中图分类号:

TP391.4

欧宇枫, 王嘉宏. 基于双分支特征提取的印刷电路板小目标缺陷检测方法[J]. 计算机应用, 2026, 46(9): 2977-2986.

Yufeng OU, Chia-Hung WANG. Small-object defect detection method for printed circuit boards based on dual-branch feature extraction[J]. Journal of Computer Applications, 2026, 46(9): 2977-2986.

图/表 14

参考文献 31

[1]	孙成路. 基于机器视觉的PCB异型插装元件AOI检测系统［D］. 武汉：武汉纺织大学， 2023： 1-76.
	Sun Chenglu. An AOI inspection system for PCB irregular plug-in components based on machine vision ［D］. Wuhan： Wuhan Textile University， 2023： 1-76.
[2]	杨思念，曹立佳，杨洋，等. 基于机器视觉的PCB缺陷检测算法研究综述［J］. 计算机科学与探索， 2025， 19（4）： 901-915.
	Yang Sinian， Cao Lijia， Yang Yang， et al. Review of PCB defect detection algorithm based on machine vision ［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（4）： 901-915.
[3]	Hu B， Wang J. Detection of PCB surface defects with improved Faster-RCNN and feature pyramid network ［J］. IEEE Access， 2020， 8： 108335-108345.
[4]	龚陈博，南卓江，陶卫. 基于改进Faster RCNN的PCB表面缺陷检测研究［J］. 自动化仪表， 2024， 45（7）： 99-103， 109.
	Gong Chenbo， Zhuojiang Nan， Tao Wei. Research on PCB surface defect detection based on improved Faster RCNN ［J］. Process Automation Instrumentation， 2024， 45（7）： 99-103， 109.
[5]	Li Q， Wu L， Xiao H， et al. PCB-DETR： a detection network of PCB surface defect with spatial attention offset module ［J］. IEEE Access， 2024， 12： 158436-158445.
[6]	王玲，王明慧，王鹏，等. 融合多尺度特征的知识蒸馏工业缺陷检测算法［J］. 计算机工程与应用， 2025， 61（21）： 276-286.
	Wang Ling， Wang Minghui， Wang Peng， et al. Industrial defect detection algorithm with knowledge distillation integrating multi-scale features ［J］. Computer Engineering and Applications， 2025， 61（21）： 276-286.
[7]	毛坤，朱学军，赖惠鸽，等. SGW-YOLO：多尺度融合优化的PCB缺陷检测算法［J/OL］. 激光与光电子学进展（2025-02-13）［2025-03-10］..
	Mao Kun， Zhu Xuejun， Lai Huige， et al. Multi scale fusion algorithm for PCB defect detection based on SGW-YOLO ［J/OL］. Laser and Optoelectronics Progress （2025-02-13）［2025-03-10］..
[8]	Tong Z， Chen Y， Xu Z， et al. Wise-IoU： bounding box regression loss with dynamic focusing mechanism ［PP/OL］. V3. arXiv （2023-04-08）［2025-03-12］..
[9]	Bai L， Xu W H. Improved printed circuit board defect detection scheme ［J］. Scientific Reports， 2025， 15： No.2389.
[10]	Yuan T， Jiao Z， Diao N. YOLO-SSW： an improved detection method for printed circuit board surface defects ［J］. Mathematics， 2025， 13（3）： No.435.
[11]	王健，肖迪，冯李航，等. 基于改进YOLOv8s的PCB小目标缺陷检测模型［J］. 计算机工程与应用， 2025， 61（15）： 288-297.
	Wang Jian， Xiao Di， Feng Lihang， et al. PCB small object defect detection model based on improved YOLOv8s ［J］. Computer Engineering and Applications， 2025， 61（15）： 288-297.
[12]	李耀龙，陈晓林，林浩，等. DySnake-YOLO：改进的YOLOv9c电路板表面缺陷检测方法［J］. 计算机工程与应用， 2025， 61（3）： 242-252.
	Li Yaolong， Chen Xiaolin， Lin Hao， et al. DySnake-YOLO： improved detection of surface defects on YOLOv9c circuit board ［J］. Computer Engineering and Applications， 2025， 61（3）： 242-252.
[13]	郭艳，王智文，赵润星. YOLO-POD：基于多维注意力机制的高精度PCB微小缺陷检测算法［J］. 电子学报， 2024， 52（7）： 2515-2528.
	Guo Yan， Wang Zhiwen， Zhao Runxing. YOLO-POD： high-precision PCB tiny-defect detection algorithm based on multi-dimensional attention mechanism ［J］. Acta Electronica Sinica， 2024， 52（7）： 2515-2528.
[14]	王海群，王炳楠，葛超. 改进ESP-YOLO的PCB缺陷检测算法［J］. 计算机工程与科学， 2025， 47（2）： 317-326.
	Wang Haiqun， Wang Bingnan， Ge Chao. A PCB defect detection algorithm based on improved ESP-YOLO ［J］. Computer Engineering and Science， 2025， 47（2）： 317-326.
[15]	张淑卿，孟昊，葛超. 改进YOLOv8n的轻量级PCB缺陷检测算法［J］.现代电子技术， 2024， 47（15）： 115-121.
	Zhang Shuqing， Meng Hao， Ge Chao. Lightweight PCB defect detection algorithm for improved YOLOv8n ［J］. Modern Electronic Technique， 2024， 47（15）： 115-121.
[16]	Zhang T， Zhang J， Pan P， et al. YOLO-RRL： a lightweight algorithm for PCB surface defect detection ［J］. Applied Sciences， 2024， 14（17）： No.7460.
[17]	Nandal P， Mann P， Bohra N， et al. Tropical cyclone intensity estimation based on YOLO-NAS using satellite images in real time［J］. Alexandria Engineering Journal， 2025， 113： 227-241.
[18]	Ultralytics. YOLOv8［EB/OL］. ［2024-07-01］..
[19]	Xia Z， Pan X， Song S， et al. Vision Transformer with deformable attention ［C］// CVPR 2022. Piscataway： IEEE， 2022： 4794-4803.
[20]	Zheng Z， Wang P， Liu W， et al. Distance-IoU loss： faster and better learning for bounding box regression ［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 12993-13000.
[21]	Zhang Y F， Ren W， Zhang Z， et al. Focal and efficient IOU loss for accurate bounding box regression ［J］. Neurocomputing， 2022， 506： 146-157.
[22]	Govorgyan Z. SIoU loss： more powerful learning for bounding box regression ［PP/OL］. arXiv （2022-05-25）［2025-03-24］..
[23]	Wang J， Xu C， Yang W， et al. A normalized Gaussian Wasserstein distance for tiny object detection ［PP/OL］. V2. arXiv （2022-06-14）［2025-03-18］..
[24]	Zhao Y， Lv W， Xu S， et al. DETRs beat YOLOs on real-time object detection ［C］// CVPR 2024. Piscataway： IEEE， 2024： 16965-16974.
[25]	Woo S， Debnath S， Hu R， et al. ConvNext V2： co-designing and scaling ConvNets with masked autoencoders ［C］// CVPR 2023. Piscataway： IEEE， 2023： 16133-16142.
[26]	Wang C Y， Yeh I H， Mark Liao H Y. YOLOv9： learning what you want to learn using programmable gradient information ［C］// ECCV 2024， LNCS 15089. Cham： Springer， 2025： 1-21.
[27]	Wang A， Chen H， Liu L， et al. YOLOv10： real-time end-to-end object detection ［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 107984-108011.
[28]	Khanam R， Hussain M. YOLOv11： an overview of the key architectural enhancements［PP/OL］. arXiv （2024-10-23）［2025-03-14］..
[29]	Tian Y， Ye Q， Doermann D. YOLOv12： attention-centric real-time object detectors［PP/OL］. arXiv （2025-02-18）［2025-03-10］..
[30]	Liu Z， Hao Z， Han K， et al. GhostNetV3： exploring the training strategies for compact models ［PP/OL］. V2. arXiv （2024-04-22）［2025-03-10］..
[31]	Wang C， He W， Nie Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism ［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 51094-51112.

参数名称	参数设置
图片尺寸（Image Size）	640×640
学习率（Learning Rate）	1E-2
学习率衰减策略	随机梯度下降法
训练轮次（Train Epoch）	200
优化器（Optimizer）	SGD
权重衰减（Weight Delay）	5E-4
批大小（Batch Size）	16
数据加载的子进程数（Workers）	8
DBdown分支通道占比	50%∶50%
Deformable Attention的采集点个数	4
Deformable Attention的注意力头数	8

参数名称	参数设置
图片尺寸（Image Size）	640×640
学习率（Learning Rate）	1E-2
学习率衰减策略	随机梯度下降法
训练轮次（Train Epoch）	200
优化器（Optimizer）	SGD
权重衰减（Weight Delay）	5E-4
批大小（Batch Size）	16
数据加载的子进程数（Workers）	8
DBdown分支通道占比	50%∶50%
Deformable Attention的采集点个数	4
Deformable Attention的注意力头数	8

损失函数	P	F1	mAP@0.5
CIoU	89.6	68.8	66.7
EIoU	91.3	72.1	71.8
SIoU	90.4	72.4	72.3
NWD	91.7	72.5	72.3
WIoUv1	89.4	70.5	68.5
WIoUv2	93.6	73.5	72.5
WIoUv3	89.9	73.1	74.1

损失函数	P	F1	mAP@0.5
CIoU	89.6	68.8	66.7
EIoU	91.3	72.1	71.8
SIoU	90.4	72.4	72.3
NWD	91.7	72.5	72.3
WIoUv1	89.4	70.5	68.5
WIoUv2	93.6	73.5	72.5
WIoUv3	89.9	73.1	74.1

模型	P/%	F1/%	mAP@0.5/%	参数量/10⁶	浮点运算量/GFLOPs	帧率/（frame·s^-1）
YOLOv8（baseline）	87.9	69.2	68.0	3.0	8.1	456.8
YOLOv8+DBdown	91.2	72.6	72.3	2.7	7.7	449.9
YOLOv8+SDDH	88.9	71.2	70.0	2.6	5.6	423.9
YOLOv8+C2f_DAT	92.2	72.9	71.7	3.1	8.1	439.4
YOLOv8+ DBdown +C2f_DAT	92.1	71.6	72.2	2.7	7.6	439.3
YOLOv8+ DBdown + SDDH	91.7	70.6	70.2	2.1	5.5	426.1
YOLOv8+C2f_DAT+ SDDH	90.2	72.3	71.3	2.4	5.7	434.9
YOLOv8+ DBdown +C2f_DAT+ SDDH	93.6	73.5	72.5	2.2	5.3	435.7

基于双分支特征提取的印刷电路板小目标缺陷检测方法

Small-object defect detection method for printed circuit boards based on dual-branch feature extraction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 31

相关文章 15

编辑推荐

Metrics

数据集	模型	P	R	F1	mAP@0.5
实景拍摄PCB缺陷数据集	YOLOv8	77.3±0.3	78.1±0.2	77.6±0.2	78.7±0.2
	GhostNet	62.6±0.4	60.4±0.5	61.4±0.4	62.8±0.4
	Gold-YOLO	58.3±0.3	72.3±0.4	64.4±0.3	45.9±0.3
	ConvNeXtV2	73.3±0.2	44.6±0.3	55.3±0.2	47.9±0.2
	YOLO-NAS	74.8±0.1	57.6±0.2	64.9±0.1	37.8±0.1
	DES-Det	77.6±0.2	80.4±0.1	80.0±0.2	79.6±0.2
铝材缺陷数据集	YOLOv8	75.2±0.3	85.9±0.2	80.2±0.2	70.1±0.2
	GhostNet	70.0±0.3	53.2±0.4	60.5±0.4	58.4±0.4
	Gold-YOLO	74.4±0.2	57.4±0.1	62.9±0.1	62.8±0.2
	ConvNeXtV2	67.4±0.3	59.0±0.2	62.9±0.2	61.1±0.3
	YOLO-NAS	71.1±0.2	55.8±0.1	62.5±0.1	61.3±0.1
	DES-Det	79.7±0.1	86.9±0.2	83.1±0.2	72.8±0.2

[1]	谢丽霞, 曹超越, 杨宏宇. 基于改进DeepLabV3+的ADS-B攻击检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2867-2876.
[2]	姬张建, 王思源. 基于增强低频小波注意力机制的轻量化人体姿态估计框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2787-2792.
[3]	王伊璠, 韩虎, 李栋, 范雅婷, 李琳. 基于异构增强与多源知识融合的方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2752-2760.
[4]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[5]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[6]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[7]	白杰龙, 方晨韵, 乔志伟. 基于多尺度注意力自适应融合的稀疏CT伪影抑制Transformer网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2660-2667.
[8]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[9]	黄远航, 荣娜. 结合注意力机制与深度强化学习的无模型光伏接入容量评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2708-2715.
[10]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[11]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.
[12]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.
[13]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[14]	张国有, 聂宏宇, 潘理虎, 雷润东. 基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2259-2266.
[15]	秦隽, 焦新涛, 曾碧卿. 融合BiLSTM-Transformer与Kolmogorov-Arnold网络的非侵入式负荷监测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2026-2033.

模型	P/%	F1/%	mAP@0.5/%	不同缺陷类型的AP/%						参数量/10⁶	浮点运算量 /GFLOPs	帧率/（frame·s^-1）
模型	P/%	F1/%	mAP@0.5/%	缺孔	鼠咬	开路	短路	毛刺	杂铜	参数量/10⁶	浮点运算量 /GFLOPs	帧率/（frame·s^-1）
RT-DETR	72.4	59.1	52.6	86.6	67.2	64.7	74.2	75.5	66.3	284.5	100.6	40.3
YOLOv8	87.9	69.2	68.0	95.8	87.1	89.9	87.1	87.8	79.5	3.0	8.1	456.8
YOLOv9	90.2	69.4	66.8	94.5	84.3	94.0	89.7	83.2	95.4	2.1	7.6	328.2
YOLOv10	86.7	66.9	65.5	91.0	80.6	89.2	89.3	84.8	85.3	2.5	8.2	358.8
YOLOv11	91.3	67.3	65.1	89.0	86.6	95.6	91.6	97.6	87.4	2.5	6.3	339.1
YOLOv12	90.2	68.5	63.4	86.9	90.1	91.5	88.7	94.7	89.0	2.5	6.3	217.5
GhostNet-YOLO	85.5	65.3	62.3	91.0	78.4	86.3	87.7	86.1	83.8	2.0	5.8	363.1
Gold-YOLO	88.3	68.9	66.4	93.9	82.3	87.4	88.8	89.7	87.6	5.9	10.2	309.0
ConvNeXtV2	57.2	46.8	39.4	64.7	52.3	49.0	60.4	57.5	59.6	56.6	14.1	158.0
YOLO-NAS	86.3	69.1	66.5	93.6	79.7	91.3	84.7	90.7	78.4	2.4	6.6	423.5
YOLO-RRL	91.3	71.7	71.1	95.8	85.7	94.3	89.6	93.1	89.1	2.4	5.8	470.5
YOLO-SSW	90.8	73.3	73.7	94.5	89.3	89.7	93.3	89.5	88.4	4.3	11.2	218.1
DES-Det	93.6	73.5	72.5	96.7	91.3	96.1	90.7	94.1	92.9	2.2	5.3	435.7

模型	P/%	F1/%	mAP@0.5/%	不同缺陷类型的AP/%						参数量/10⁶	浮点运算量 /GFLOPs	帧率/（frame·s^-1）
模型	P/%	F1/%	mAP@0.5/%	缺孔	鼠咬	开路	短路	毛刺	杂铜	参数量/10⁶	浮点运算量 /GFLOPs	帧率/（frame·s^-1）
RT-DETR	72.4	59.1	52.6	86.6	67.2	64.7	74.2	75.5	66.3	284.5	100.6	40.3
YOLOv8	87.9	69.2	68.0	95.8	87.1	89.9	87.1	87.8	79.5	3.0	8.1	456.8
YOLOv9	90.2	69.4	66.8	94.5	84.3	94.0	89.7	83.2	95.4	2.1	7.6	328.2
YOLOv10	86.7	66.9	65.5	91.0	80.6	89.2	89.3	84.8	85.3	2.5	8.2	358.8
YOLOv11	91.3	67.3	65.1	89.0	86.6	95.6	91.6	97.6	87.4	2.5	6.3	339.1
YOLOv12	90.2	68.5	63.4	86.9	90.1	91.5	88.7	94.7	89.0	2.5	6.3	217.5
GhostNet-YOLO	85.5	65.3	62.3	91.0	78.4	86.3	87.7	86.1	83.8	2.0	5.8	363.1
Gold-YOLO	88.3	68.9	66.4	93.9	82.3	87.4	88.8	89.7	87.6	5.9	10.2	309.0
ConvNeXtV2	57.2	46.8	39.4	64.7	52.3	49.0	60.4	57.5	59.6	56.6	14.1	158.0
YOLO-NAS	86.3	69.1	66.5	93.6	79.7	91.3	84.7	90.7	78.4	2.4	6.6	423.5
YOLO-RRL	91.3	71.7	71.1	95.8	85.7	94.3	89.6	93.1	89.1	2.4	5.8	470.5
YOLO-SSW	90.8	73.3	73.7	94.5	89.3	89.7	93.3	89.5	88.4	4.3	11.2	218.1
DES-Det	93.6	73.5	72.5	96.7	91.3	96.1	90.7	94.1	92.9	2.2	5.3	435.7

模型	P/%	F1/%	mAP@0.5/%	不同缺陷类型的AP/%						帧率/（frame·s^-1）
模型	P/%	F1/%	mAP@0.5/%	孔洞	开路	短路	鼠咬	毛刺	杂铜	帧率/（frame·s^-1）
RT-DETR	92.0	90.3	94.9	91.3	91.2	94.3	92.4	90.8	92.1	45.1
YOLOv8	97.0	95.9	98.4	96.9	94.5	97.3	97.5	99.3	96.5	467.2
YOLOv9	97.5	96.4	98.5	97.6	97.1	97.9	97.3	97.7	97.2	301.7
YOLOv10	96.6	95.5	98.1	96.2	95.1	97.4	96.7	97.2	96.9	389.3
YOLOv11	96.6	96.0	98.1	96.1	96.4	97.6	95.9	96.9	96.8	342.9
YOLOv12	95.5	94.9	97.6	96.5	93.9	95.9	93.5	97.4	96.0	233.8
GhostNet-YOLO	97.5	94.9	98.0	97.9	97.2	97.1	96.1	99.1	97.5	440.6
Gold-YOLO	96.1	95.2	98.2	97.7	96.3	97.1	97.2	99.0	89.2	302.0
ConvNeXtV2	92.2	88.5	93.5	95.0	85.3	93.1	92.5	92.4	95.8	95.0
YOLO-NAS	90.7	93.6	96.7	91.5	89.2	90.3	91.1	89.2	93.3	98.5
YOLO-RRL	97.3	95.7	97.5	95.8	85.7	94.3	89.6	93.1	89.1	418.3
YOLO-SSW	97.4	96.4	98.4	94.5	89.3	89.7	93.3	89.5	88.4	235.6
DES-Det	98.4	97.4	98.7	98.7	97.6	99.0	98.4	99.2	97.8	446.8

模型	P/%	F1/%	mAP@0.5/%	不同缺陷类型的AP/%						帧率/（frame·s^-1）
模型	P/%	F1/%	mAP@0.5/%	孔洞	开路	短路	鼠咬	毛刺	杂铜	帧率/（frame·s^-1）
RT-DETR	92.0	90.3	94.9	91.3	91.2	94.3	92.4	90.8	92.1	45.1
YOLOv8	97.0	95.9	98.4	96.9	94.5	97.3	97.5	99.3	96.5	467.2
YOLOv9	97.5	96.4	98.5	97.6	97.1	97.9	97.3	97.7	97.2	301.7
YOLOv10	96.6	95.5	98.1	96.2	95.1	97.4	96.7	97.2	96.9	389.3
YOLOv11	96.6	96.0	98.1	96.1	96.4	97.6	95.9	96.9	96.8	342.9
YOLOv12	95.5	94.9	97.6	96.5	93.9	95.9	93.5	97.4	96.0	233.8
GhostNet-YOLO	97.5	94.9	98.0	97.9	97.2	97.1	96.1	99.1	97.5	440.6
Gold-YOLO	96.1	95.2	98.2	97.7	96.3	97.1	97.2	99.0	89.2	302.0
ConvNeXtV2	92.2	88.5	93.5	95.0	85.3	93.1	92.5	92.4	95.8	95.0
YOLO-NAS	90.7	93.6	96.7	91.5	89.2	90.3	91.1	89.2	93.3	98.5
YOLO-RRL	97.3	95.7	97.5	95.8	85.7	94.3	89.6	93.1	89.1	418.3
YOLO-SSW	97.4	96.4	98.4	94.5	89.3	89.7	93.3	89.5	88.4	235.6
DES-Det	98.4	97.4	98.7	98.7	97.6	99.0	98.4	99.2	97.8	446.8