| 现场环境 |
工业生产环境：在电子制造工厂中，用于检测PCB表面的微小缺陷。
- 实验室环境：用于算法开发和测试，模拟实际生产中的缺陷检测场景。 |
| 使用对象 |
印制电路板（PCB）：检测PCB表面的微小缺陷，如缺孔、鼠咬、开路、短路、毛刺、残铜等。 |
| 使用目的 |
提高生产质量：通过准确检测PCB表面的微小缺陷，减少因缺陷导致的产品不合格率。 自动化检测：替代人工目视检测，提高检测效率和准确性。 |
| 硬件配置 |
CPU：12th Gen Intel(R) Core(TM) i5-12400F
GPU：NVIDIA RTX 3060
内存：至少16GB RAM
摄像头：用于获取PCB表面的图像数据 |
| 硬件兼容 |
GPU：可以使用其他型号的NVIDIA GPU，RTX 3070或RTX 3080，以提高计算性能。
|
| 软件配置 |
操作系统：Windows 11
依赖库：PyTorch 2.0.1
编译器：GCC或Clang |
| 软件兼容 |
操作系统：算法可以在Linux或Windows上运行，但可能需要对代码进行适当的调整和优化。 依赖库：可以使用其他深度学习框架，如TensorFlow，具体取决于算法实现。
|
| 输入数据 |
图像数据：PCB表面的可见光波段图像帧 标注数据：缺陷的标注信息，用于训练和验证模型 |
| 输出数据 |
缺陷类型：检测到的PCB表面缺陷类型（如缺孔、鼠咬） 缺陷位置：缺陷在图像中的位置坐标 检测结果：是否检测到缺陷（是/否） |
| 样本获取 |
使用北京大学智能机器人开放实验室发布的PCB_DATASET数据集，包含6类常见的PCB表面缺陷，共693张图像。通过数据增强（如翻转、改变亮度）扩充至4326张。 训练集/验证集/测试集：比例为8:1:1 |
| 测试结果 |
平均精度均值（mAP）：98.37%
召回率：96.39%
参数量：2.6×10^6
计算量：11.7×10^9 FLOPs
推理速度：8.8ms/次 |
| 执行速度 |
推理速度：8.8ms/次 |
| 资源消耗 |
CPU占用率：在训练过程中，CPU占用率约为60%。 内存占用：在训练过程中，内存占用约为50%。 |
| 源码类型 |
ython版本：算法的主要实现语言为Python，适合快速开发和测试。 |
| 文件大小 |
算法程序文件约16K，权重文件约34M。 |
| 相关备注 |
无 |
