[论文解读] 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 0

一句话总结

SME-YOLO 在小尺寸PCB表面缺陷检测中通过 NWDLoss、MSFA 和 EUCB 对 YOLOv11n 进行增强，在 PKU-Market-PCB 上实现最先进的结果。

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.

研究动机与目标

• 在缺陷极小、纹理相似的 PCB 表面上实现鲁棒的微小缺陷定位的动力
• 开发一个轻量级检测框架，改进多尺度特征处理
• 缓解对小目标的 IoU 敏感性，并在上采样时保留边缘纹理细节
• 实现适用于工业PCB检测的实时性能
• 在 PKU-Market-PCB 数据集上验证改进并与基线 YOLOv11n 及其他 YOLO 变体进行比较

提出的方法

• NWDLoss：通过将边界框建模为 2D 高斯分布并计算归一化平方 2-Wasserstein 距离，将 CIoU 替换为归一化 Wasserstein 距离损失
• EUCB：在上采样时用深度可分离卷积实现的高效上采样卷积块替代上采样，以在特征图上采样时保边缘/细节
• MSFA：引入多尺度聚焦注意力，包含聚焦核配置、双分支隐式集成、通道混合以及轻量级卷积注意力层，以强调主导缺陷尺度

实验结果

研究问题

• RQ1 相对于基于 IoU 的损失，NWDLoss 是否能提高对微小 PCB 缺陷的定位鲁棒性？
• RQ2 EUCB 与 MSFA 是否共同提升对微小缺陷的边缘保留和多尺度特征融合性能？
• RQ3 在 PKU-Market-PCB 数据集上 SME-YOLO 相较基线 YOLOv11n 在不同缺陷类型上的性能提升如何？
• RQ4 在提高微小缺陷检测准确性的同时，SME-YOLO 是否能保持实时推理？

主要发现

模型	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 在大多数缺陷类型上的检测精度高于基线 YOLOv11n，总体 mAP@0.5 为 0.950，mAP@0.5:0.95 为 0.480
• 相较于 YOLOv11，SME-YOLO 在总体指标上将 mAP 提升 2.2%、Precision 提升 4%、Recall 提升 1.8%
• 在 PKU-Market-PCB 数据集上，SME-YOLO 以较低的参数量实现 97.0% mAP，显示出强劲的微小目标检测性能
• 消融结果显示仅使用 NWDLoss 时将 mAP@0.5 从 0.928 提升至 0.939；加入 EUCB 提升至 0.946；再加入 MSFA 可达到 0.950 mAP@0.5 和 0.480 mAP@0.5:0.95，表明存在互补提升
• SME-YOLO 在 PKU-Market-PCB 测试集上对五种缺陷类型中的六种中表现处于顶尖（缺失的孔几乎饱和）