.png){kind=icon}
返回
A multi-cognitive PCB defect detection model integrating Mamba
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-49734-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
印刷电路板（PCBs）由于复杂的纹理、微小缺陷目标和类间细微相似性，给缺陷检测带来了显著挑战。传统检测方法鲁棒性有限，而许多基于深度学习的检测器在微小目标特征提取不足、特征利用率低和模型复杂度高方面存在困难。为解决这些局限性，本研究引入了PCB-MMF，一种集成Mamba状态空间模型的多认知混合框架。提出的MM-NET骨干网络结合了基于CNN的局部特征提取和基于Mamba的全局建模，并通过三阶段多感受野模块（TSMR）增强全局和多尺度特征融合同时缓解冗余。多认知视觉增强模块（MC-VAM）通过残差连接强化关键区域注意力并保留浅层特征，而轻量级共享组检测头（LGSD）通过参数共享降低计算成本而不牺牲精度。在HRIPCB、DeepPCB和DsPCBSD+数据集上的实验结果表明，PCB-MMF分别实现了93.43%、98.68%和85.39%的mAP50得分。此外，在NEU-DET数据集上的泛化实验达到76.69%的mAP50，证实了PCB-MMF在不同工业场景下的稳健性能。与YOLO11模型相比，PCB-MMF将参数数量减少8.9%（从2.58M降至2.35M），计算负载（FLOPs）降低12.70%；相较于Mamba-YOLO模型，参数数量减少58.48%，计算负载降低55.28%。这些发现证实PCB-MMF在精度与效率间取得了良好平衡，为工业应用中的轻量化、高精度PCB缺陷检测提供了有前景的解决方案。
Keyword:
PCB defect detection
Mamba state space model
multi-cognitive framework
lightweight detection
feature fusion
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
