[논문 리뷰] SME-YOLO: A Real-Time Detector for Tiny Defect Detection on PCB Surfaces

Meng Han|arXiv (Cornell University)|2026. 01. 16.

Industrial Vision Systems and Defect Detection인용 수 0

한 줄 요약

SME-YOLO는 NWDLoss, MSFA, EUCB를 사용하여 작은 PCB 표면 결함 탐지에서 YOLOv11n을 향상시키고 PKU-Market-PCB에서 최첨단 결과를 달성합니다.

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.

연구 동기 및 목표

• PCB 표면에서 결함이 아주 작고 질감이 비슷한 환경에서 강건한 작은 결함 로컬라이제이션을 촉진한다.
• 다중 스케일 특징 처리의 개선을 통해 경량 탐지 프레임워크를 개발한다.
• 작은 객체에 대한 IoU 민감도 완화와 업샘플링 중 모서리 텍스처 디테일 보존을 달성한다.
• 산업용 PCB 검사에 적합한 실시간 성능을 달성한다.
• PKU-Market-PCB 데이터셋에서 개선점을 검증하고 기본 YOLOv11n 및 다른 YOLO 변종과 비교한다.

제안 방법

• NWDLoss: CIoU를 Normalized Wasserstein Distance Loss로 대체하고 경계 상자를 2D 가우시안으로 모델링하여 정규화된 제곱 2-Wasserstein 거리를 계산한다.
• EUCB: 업샘플링을 Efficient Upsampling Convolution Block으로 대체하고 특징 맵 업샘플링 동안 모서리/디테일 보존을 위해 깊이별 분리 합성곱을 사용한다.
• MSFA: 다중 스케일 포커스 어텐션을 도입하고 포커스 커널 구성, 이중 분기 암시적 앙상블, 채널 혼합 및 경량 합성곱 어텐션 층을 통해 우세한 결함 스케일을 강조한다.

실험 결과

연구 질문

• RQ1 NWDLoss가 IoU 기반 손실과 비교해 미세 PCB 결함의 로컬화 강건성을 개선할 수 있는가?
• RQ2 EUCB와 MSFA가 함께 가장 작은 결함 탐지에서 에지 보존 및 다중 스케일 특징 융합을 향상시키는가?
• RQ3 PKU-Market-PCB 데이터셋에서 SME-YOLO의 성능 향상은 결함 유형별로 기본 YOLOv11n 및 다른 YOLO 변종과 비교하여 어떤가?
• RQ4 SME-YOLO가 초미세 결함의 탐지 정확도를 개선하면서도 실시간 추론을 유지할 수 있는가?

주요 결과

• SME-YOLO는 대부분의 결함 유형에서 기본 YOLOv11n보다 더 높은 탐지 정확도를 달성하며, 전체 mAP@0.5는 0.950이고 mAP@0.5:0.95는 0.480이다.
• YOLOv11 대비 SME-YOLO는 전체 지표에서 mAP를 2.2%, Precision를 4%, Recall을 1.8% 향상시킨다.
• PKU-Market-PCB 데이터셋에서 SME-YOLO는 매개변수 수가 적은 상태에서 97.0%의 mAP를 달성하여 작은 객체 탐지 성능이 강함을 시사한다.
• Ablation 결과 NWDLoss 단독으로 mAP@0.5를 0.928에서 0.939로 올리고; EUCB를 추가하면 0.946로 상승; MSFA를 추가하면 0.950 mAP@0.5와 0.480 mAP@0.5:0.95를 달성, 보완적 이득을 시사한다.
• SME-YOLO는 PKU-Market-PCB 테스트 세트에서 6개 유형 중 5개에서 최고의 성능을 보여준다(홀 결손은 거의 포화상태).