芯耀
与非AI
206
电子厂 QC 质检员最大的敌人：产量太大、板子太小、眼睛太累。
在电子制造业，人工目检永远是良率和成本的博弈点。面对成千上万块 PCB，人眼几乎不可能做到 100% 全覆盖。于是我用 YOLO + SAHI 搭了一套自动 PCB 缺陷检测系统——不靠堆模型参数量，而是靠“切图推理”搞定微米级缺陷。
下面是完整的实战复盘。
一、数据集：先清理，再谈精度
使用的是 Kaggle 公开 PCB 缺陷数据集，共 6 类缺陷：
⚠️ 现实世界的数据永远不干净：
原始 10,668 张图中，.jpg 和 .txt 标签存在大量不匹配。
预处理动作：
剔除了“有图无标 / 有标无图”的样本
最终得到 8,001 张严格配对数据
Train: 6,370 / Val: 802 / Test: 829
最大优势：类别极度均衡（每类 2000~2200 个实例），基本排除了类别偏置干扰。
二、Baseline：Nano 还是 Medium？
实验环境：Google Colab · Tesla T4 · 统一超参（640×640, batch=16, epochs=25, Early Stopping）
横向对比三代架构：
关键结论：
单纯把 Nano 换成 Medium，精度只涨 2%，速度掉一大截。对于 PCB 这种布满全局纹理 + 局部微缺陷的场景，大图直接训小目标 = 事倍功半。
三、破局：上 SAHI（切片辅助推理）
SAHI 是干嘛的？
Slicing Aided Hyper Inference 的核心思想非常简单粗暴：
把一张巨大的 PCB 原图切成一堆 重叠的小图块 → 小目标被放大 → 逐块推理 → NMS 合并回原图
踩坑记录：为什么我加了 SAHI 反而精度掉了？
一开始直接套官方默认参数，结果：
mAP 轻微下滑
误报暴涨：模型把正常的 PCB 走线当成“多余铜（spurious copper）”狂标
原因很直白：切太碎了，模型丢了全局上下文，以为那些密集走线是异常。
四、超参数调优指南（重点干货）
SAHI 不是开箱即灵，这三个参数才是灵魂：
slice_size = 512 # 切片尺寸overlap_ratio = 0.1 # 重叠率conf_thres = 0.55 # 置信度阈值（关键！）
调优逻辑：
1. slice_size=512
太小 → 丢上下文；太大 → 小缺陷又看不见。512@640 基线是最甜点位。
2. overlap_ratio=0.1
给边缘缺陷留一点缓冲，防止被切在两图中间漏检。
3. conf_thres 拉到 0.5~0.6
这是解决“走线误报”的大杀器。SAHI 多 slice 投票会天然拉高累计置信度，必须提高门槛过滤假阳性。
五、最终战绩
六、给工厂落地的 3 条真心话
做 Demo 和上线是两码事，我强烈建议：
1️⃣ 人机协同（Human-in-the-Loop）
别让 AI 做 100% 判决，设两级阈值：
> 0.6：直接判废（自动剔除）
0.3 ~ 0.6（灰色地带）：扔给 QC 操作员二次确认
→ 速度 + 安全感的完美平衡。
2️⃣ 别迷信“越高越准”
阈值拉到 >0.7，Precision 好看，但 Recall 会崩——漏放不良品比误拦成本更高。
3️⃣ 速度预期管理
SAHI ≈ 把一张图推理 N 次。每条线节拍 <100ms 的极速场景，建议考虑 TensorRT / CUDA 加速，或者只在抽检工位用。
七、资源
数据集：PCB Defect Dataset (Kaggle)
https://www.kaggle.com/datasets/norbertelter/pcb-defect-dataset🧪 完整代码（Colab）：Google Colab Notebook
https://colab.research.google.com/drive/1uM6AbHnDwth9bNGVnGMKmzde50hJtiUZ?usp=sharing
