[論文レビュー] SME-YOLO: A Real-Time Detector for Tiny Defect Detection on PCB Surfaces

Meng Han|arXiv (Cornell University)|Jan 16, 2026

Industrial Vision Systems and Defect Detection被引用数 0

ひとこと要約

SME-YOLO は tiny PCB 表面欠陥検出のために YOLOv11n を強化し NWDLoss、MSFA、EUCB を用いて最先端の PKU-Market-PCB での結果を達成します。

ABSTRACT

Surface defects on Printed Circuit Boards (PCBs) directly compromise product reliability and safety. However, achieving high-precision detection is challenging because PCB defects are typically characterized by tiny sizes, high texture similarity, and uneven scale distributions. To address these challenges, this paper proposes a novel framework based on YOLOv11n, named SME-YOLO (Small-target Multi-scale Enhanced YOLO). First, we employ the Normalized Wasserstein Distance Loss (NWDLoss). This metric effectively mitigates the sensitivity of Intersection over Union (IoU) to positional deviations in tiny objects. Second, the original upsampling module is replaced by the Efficient Upsampling Convolution Block (EUCB). By utilizing multi-scale convolutions, the EUCB gradually recovers spatial resolution and enhances the preservation of edge and texture details for tiny defects. Finally, this paper proposes the Multi-Scale Focused Attention (MSFA) module. Tailored to the specific spatial distribution of PCB defects, this module adaptively strengthens perception within key scale intervals, achieving efficient fusion of local fine-grained features and global context information. Experimental results on the PKU-PCB dataset demonstrate that SME-YOLO achieves state-of-the-art performance. Specifically, compared to the baseline YOLOv11n, SME-YOLO improves mAP by 2.2% and Precision by 4%, validating the effectiveness of the proposed method.

研究の動機と目的

• 欠陥が非常に微小でテクスチャが類似している PCB 表面における堅牢な微小欠陥の局在化を動機づける。
• 改善されたマルチスケール特徴処理を備えた軽量検出フレームワークを開発する。
• 小さな物体の IoU 敏感性を緩和し、アップサンプリング時のエッジテクスチャを保持する。
• 産業用 PCB 検査に適したリアルタイム性能を達成する。
• PKU-Market-PCB データセット上での改善を検証し、ベースラインの YOLOv11n および他の YOLO 変種と比較する。

提案手法

• NWDLoss: CIoU を正規化ウォッサン距離損失に置換し、バウンディングボックスを 2D ガウスとしてモデリングし、正規化平方和の 2-Wasserstein 距離を計算する。
• EUCB: アップサンプリングを Efficient Upsampling Convolution Block に置換し、特徴マップアップサンプリング時のエッジ/詳細を保存するために深さ方向分離可能畳み込みを用いる。
• MSFA: Focused Kernel 構成、デュアルブランチの暗黙のアンサンブル、チャネル混合、および軽量畳み込み注意機構を導入し、支配的な欠陥スケールを強調する。

実験結果

リサーチクエスチョン

• RQ1 NWDLoss は IoU ベースの損失と比較して微小 PCB 欠陥の局在化の堅牢性を向上させるか？
• RQ2 EUCB と MSFA は共に、微小欠陥検出のエッジ保存とマルチスケール特徴融合を向上させるか？
• RQ3 PKU-Market-PCB データセット上で SME-YOLO の欠陥タイプ別のパフォーマンス向上はどれくらいか？
• RQ4 SME-YOLO は微小欠陥の検出精度を向上させつつリアルタイム推論を維持できるか？

主な発見

Model	P	R	mAP@0.5	mAP@0.5:0.95
YOLOv5	0.943	0.817	0.885	0.425
YOLOv8	0.951	0.851	0.903	0.438
YOLOv10	0.888	0.801	0.880	0.425
YOLOv11	0.930	0.892	0.928	0.478
SME-YOLO	0.970	0.910	0.950	0.480

• SME-YOLO は大半の欠陥タイプでベースライン YOLOv11n より高い検出精度を達成し、全体で mAP@0.5 が 0.950、mAP@0.5:0.95 が 0.480。
• YOLOv11 と比較して、SME-YOLO は全体指標で mAP を 2.2%、Precision を 4%、Recall を 1.8% 改善。
• PKU-Market-PCB データセットで、SME-YOLO はパラメータ数を抑えつつ 97.0% の mAP を達成し、微小オブジェクト検出性能が強いことを示す。
• アブレーション結果では、NWDLoss のみで mAP@0.5 が 0.928 から 0.939 に上昇；EUCB を追加すると 0.946 に上昇；MSFA を追加すると 0.950 の mAP@0.5 および 0.480 の mAP@0.5:0.95 が得られ、補完的な利得を示す。
• SME-YOLO は PKU-Market-PCB テストセットの欠陥タイプのうち五つで最高の性能を示す（欠陥なし穴はほぼ飽和）。