ilaandClaude Sonnet 4.6
37a4c13799
- 新增 mingxi-capture（PyQt5桌面程序）目录骨架 - 新增 mingxi-vision（FastAPI推理服务）目录骨架 - 新增 mingxi-backend（Django业务后端）目录骨架 - 新增 mingxi-frontend（Vue3管理后台）目录骨架 - 迁入 docs/（技术设计文档和PCB调研资料） - 补充 .gitignore（模型文件、Node.js依赖、运行时数据库） Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
132 lines
7.9 KiB
Markdown
132 lines
7.9 KiB
Markdown
# PCB缺陷识别开源项目调研
|
||
|
||
> 服务于梅州市新一代电子信息暨人工智能产业创新创业大赛"PCB/电路板AI视觉缺陷检测平台"选题。
|
||
> 结合2025年决赛PCB获奖企业产品形态（刚性板、挠性板、铝基板、Mini LED板、PTFE高频板、OSP涂层等），筛选出覆盖"基础6缺陷 / 挠性板 / 边缘部署 / 高质量基准"四个互补切面的5个GitHub项目，均有公开数据集可直接复用。
|
||
> 调研日期：2026-05-07
|
||
|
||
---
|
||
|
||
## 选型总览
|
||
|
||
| # | 项目 | 框架 | 数据集 | 覆盖切面 | 对应梅州PCB厂 |
|
||
|---|---|---|---|---|---|
|
||
| 1 | tangsanli5201/DeepPCB | 基础baseline | DeepPCB（1500对） | 6类标准缺陷 + 模板对齐 | 超捷、华达、智科（AOI后复判） |
|
||
| 2 | Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB | 小目标优化 | HRIPCB（北大，1386张） | 微小缺陷 + 高分辨率 | 丰顺威达（PTFE高频板）、兴宁精进（高效散热） |
|
||
| 3 | aaravomega/pcb-defect-detection | YOLOv8 | 7971张（HRIPCB扩增） | 即插即用算法底座 | 作为MVP版核心底座 |
|
||
| 4 | clintonoduor/PCB-Defect-Detection-using-Deepstream | YOLOv5 + Jetson + TensorRT | HRIPCB | 边缘实时部署 | 所有中小PCB厂（不接受云端） |
|
||
| 5 | Pranshuk29/Flexible-PCB-Defect-Detection | YOLOv5 + FlexSim | 自建FPC挠性板数据集 | 挠性板专项 | 梅州智科（挠性印制电路板，2025三等奖） |
|
||
|
||
---
|
||
|
||
## 1. tangsanli5201/DeepPCB — 基准数据集 + baseline
|
||
|
||
- **仓库**：https://github.com/tangsanli5201/DeepPCB
|
||
- **数据集特性**：
|
||
- **1,500组图像对**：每组包含"无缺陷模板图 + 带缺陷测试图"，**像素级对齐**
|
||
- 6类缺陷：open（断路）、short（短路）、mousebite（鼠咬）、spur（毛刺）、pinhole（针孔）、spurious copper（余铜）
|
||
- 标注格式：PASCAL VOC（bounding box），开箱即用
|
||
- **适配梅州场景**：对应**梅州超捷、华达、智科**等走"AOI后复判"路线的PCB厂——有模板图可用**差分增强**，检测精度更高
|
||
- **建议用法**：作为**初赛资料**的算法精度证据（mAP数字有行业共识），先跑通baseline再迁移到真实样本
|
||
|
||
## 2. Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB — 微小缺陷 + 高分辨率
|
||
|
||
- **仓库**：https://github.com/Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB
|
||
- **数据集**：**HRIPCB**（北京大学人机交互开放实验室发布）
|
||
- 1,386张合成PCB图，6类缺陷（同DeepPCB）
|
||
- **分辨率更高，缺陷尺度更小**，更接近真实AOI拍摄环境
|
||
- **镜像下载**：
|
||
- Roboflow：https://universe.roboflow.com/ma007/hripcb/dataset/3 （一键导出YOLO/COCO格式）
|
||
- Kaggle：https://www.kaggle.com/datasets/akhatova/pcb-defects
|
||
- **适配梅州场景**：对应**丰顺威达（PTFE高频板孔工艺）、兴宁精进（高效散热板）**这类**线宽细、缺陷尺度小**的场景
|
||
- **建议用法**：作为训练主力，HRIPCB的小目标特性能弥补DeepPCB分辨率不足的问题
|
||
|
||
## 3. aaravomega/pcb-defect-detection — YOLOv8 即插即用
|
||
|
||
- **仓库**：https://github.com/aaravomega/pcb-defect-detection
|
||
- **数据集**：**7,971张**PCB标注图，6类缺陷（HRIPCB + 数据扩增）
|
||
- **框架**：YOLOv8 + Ultralytics transfer learning
|
||
- **技术栈匹配**：与 CLAUDE.md 约定的 Python3.8 + YOLOv8 完全一致
|
||
- **适配梅州场景**：作为**MVP版的算法底座**，YOLOv8n/s 在 Jetson Nano/Orin 上可跑实时推理
|
||
- **建议用法**：直接 fork，把 Django4.0 后端和 Vue3.0 看板接上就是完整产品
|
||
|
||
## 4. clintonoduor/PCB-Defect-Detection-using-Deepstream — 边缘部署样板
|
||
|
||
- **仓库**：https://github.com/clintonoduor/PCB-Defect-Detection-using-Deepstream
|
||
- **数据集**：HRIPCB + YOLOv5 训练权重
|
||
- **亮点**：**NVIDIA DeepStream + Jetson AGX** 端到端 pipeline
|
||
- 含 TensorRT 量化
|
||
- 视频流实时推理
|
||
- 实时可视化
|
||
- **适配梅州场景**：**路演现场演示神器**
|
||
- 评委偏好"边缘盒子 + 摄像头 + 实时告警"三件套
|
||
- 中小 PCB 厂不接受云端部署，边缘盒子是刚需
|
||
- **建议用法**：作为 **Demo 版的硬件展示方案**，现场摆一台 Jetson Orin Nano + 工业相机 + PCB 样品
|
||
|
||
## 5. Pranshuk29/Flexible-PCB-Defect-Detection — 挠性板专项差异化
|
||
|
||
- **仓库**：https://github.com/Pranshuk29/Flexible-PCB-Defect-Detection
|
||
- **数据集**：自建 **FPC 挠性板**数据集 + YOLOv5 + **FlexSim 数据增强**（模拟弯折形变）
|
||
- **适配梅州场景**：
|
||
- **直接对应 2025 三等奖企业"梅州智科电路板"的挠性印制电路板产品线**
|
||
- FPC 因弯折产生的形变缺陷（折痕、铜箔裂纹、层间分离）是**通用 PCB 数据集覆盖不到**的差异化能力
|
||
- **建议用法**：作为**本次参赛的差异化亮点**
|
||
- 在标准 6 类缺陷之外加一个"挠性板专用"能力模块
|
||
- 与梅州智科对接签 MOU（客户意向书）
|
||
|
||
---
|
||
|
||
## 备选项目（路演备选 / 答辩应对）
|
||
|
||
| 项目 | URL | 适用场景 |
|
||
|---|---|---|
|
||
| AyaAshraf76/PCB-defect-detection | https://github.com/AyaAshraf76/PCB-defect-detection | YOLOv8 + Roboflow 数据，教学级 |
|
||
| Hazrat-Ali9/Deep-Learning-AOI-for-PCBs | https://github.com/Hazrat-Ali9/Deep-Learning-AOI-for-PCBs-Real-Time-YOLO-Detection-of-Missing-Holes-Mouse-Bites-Shorts-and-Spurs | 实时 AOI 场景，补充参考 |
|
||
| EzekiasOkuPevi/PCB-Defect-Detection-Using-Deep-Learning | https://github.com/EzekiasOkuPevi/PCB-Defect-Detection-Using-Deep-Learning | YOLOv8 vs YOLOv10 对比，答辩用 |
|
||
| SiemonCha/pcb-defect-detection | https://github.com/SiemonCha/pcb-defect-detection | 生产级 pipeline，工程参考 |
|
||
| utkarsh-ankit/Defect-Detection-of-PCB | https://github.com/utkarsh-ankit/Defect-Detection-of-PCB | MobileNets 轻量化方案 |
|
||
|
||
---
|
||
|
||
## 整合推进建议（对齐 v1.1 的 Demo 版→MVP 版分档）
|
||
|
||
### Demo 版（1.5 个月，路演可用）
|
||
|
||
1. 拉取 **项目1 DeepPCB** + **项目2 HRIPCB** 数据集合并训练
|
||
2. 用 **项目3 aaravomega/pcb-defect-detection** 的 YOLOv8 底座做迁移学习
|
||
3. 用 **项目4 Deepstream** 方案在 Jetson 上做实时演示
|
||
4. 产出：现场可演示的边缘盒子 + 标准 mAP 基准数字
|
||
|
||
### MVP 版（3 个月，客户可交付）
|
||
|
||
1. 接入 **1 家梅州本地 PCB 厂**真实产线样本，微调项目3的模型
|
||
2. 用 **项目5 Flexible-PCB** 的 FPC 方案扩展挠性板能力，对接梅州智科
|
||
3. Django4.0 + Vue3.0 产品化：用户系统 / 规则引擎 / 告警回放 / 追溯看板
|
||
4. 产出：客户 MOU、软著证书、真实产线验证数据
|
||
|
||
### 路演包装话术
|
||
|
||
> "基于北大 HRIPCB 学术数据集 + 真实梅州产线样本双源训练，面向梅州本地 PCB 产业集群的 AI 视觉质检平台。"
|
||
|
||
**学术可信度**（北大数据集）**+ 本地化落地**（真实产线）**双背书**，契合 2025 公告"项目展示完成度"与"自主知识产权"考察点。
|
||
|
||
---
|
||
|
||
## 版权与合规提示
|
||
|
||
- **DeepPCB、HRIPCB** 均以学术用途发布
|
||
- 商业化部署前需在对应论文 / README 中确认授权条款
|
||
- 路演阶段使用无碍，但要提前准备自有数据集方案用于答辩应对
|
||
- 建议：**尽早启动真实样本采集**，降低对学术数据集的依赖
|
||
|
||
---
|
||
|
||
## 参考资料
|
||
|
||
- [pcb-defect-detection · GitHub Topics](https://github.com/topics/pcb-defect-detection)
|
||
- [HRIPCB on Roboflow Universe](https://universe.roboflow.com/ma007/hripcb/dataset/3)
|
||
- [PCB Defects dataset on Kaggle](https://www.kaggle.com/datasets/akhatova/pcb-defects)
|
||
- [PCB-YOLOV8X: a network for detecting micro-sized defects on PCB surfaces (Nature, 2026)](https://www.nature.com/articles/s41598-026-46089-6)
|
||
- [An Open Source Enhancement Algorithm for PCB Defect Detection Based on YOLOv8 (arXiv 2025)](https://arxiv.org/html/2507.02963v1)
|
||
- [Defect detection of printed circuit board assembly based on YOLOv5 (Nature, 2024)](https://www.nature.com/articles/s41598-024-70176-1)
|
||
- [PCB Electronic Component Soldering Defect Detection Using YOLO11 (PMC, 2025)](https://pmc.ncbi.nlm.nih.gov/articles/PMC12158347/)
|