PCB焊点缺陷是导致电子设备故障的主要原因，亟需高效的自动化检测系统。传统AOI系统依赖人工规则，存在误判率高的问题。
传统AOI系统依赖人工规则，难以应对复杂背景干扰；小目标缺陷易漏检，多尺度特征融合不足。
提出基于YOLOv5的改进模型，引入BiFPN机制优化多尺度特征融合，提升检测精度和实时性。
基于阈值分割与形态学处理，对光照变化敏感，误检率高。
两阶段模型（Faster R-CNN）精度高但速度慢；单阶段模型（YOLO系列）更适合实时场景。
FPN与BiFPN对比：BiFPN通过双向加权连接增强跨尺度特征交互，提升小目标检测能力。
数据集：PKU-Market-PCB（1386张图像，6类缺陷：漏孔、鼠咬、开路、短路、杂散、杂铜）。单帧图像处理：自适应直方图均衡化（CLAHE）增强对比度，形态学操作提取焊点轮廓。
YOLOv5基线模型：Backbone（CSPDarknet53）、Neck（PANet）、Head（检测头）。BiFPN集成：替换原PANet，通过加权双向跨尺度连接优化特征金字塔。
损失函数：CIoU Loss优化边界框回归，Focal Loss缓解类别不平衡。训练参数：Adam优化器，学习率衰减策略，Mosaic数据增强。
硬件：NVIDIA Tesla V100 GPU；软件：PyTorch 1.10。评估指标：mAP@0.5、F1 Score、Precision、Recall。
对比模型：YOLOv5原版 vs. BiFPN改进版。结果：改进模型mAP@0.5提升3.2%，推理速度达65 FPS。
F1曲线：置信度0.423时平均F1=0.98，平衡精确度与召回率。精确度曲线：置信度0.874时精确度达1.00，适用于高可靠性场景。PR曲线：mAP@0.5=0.984，优于基线模型（0.952）。召回率曲线：低置信度（0.1）下召回率0.99，减少漏检风险。BiFPN对多尺度缺陷的检测提升显著，鼠咬（小目标）AP提升8.7%。
平衡场景（如产线初筛）：选择0.423置信度以兼顾F1值。高可靠性场景（如复检）：采用0.874阈值确保零误报。
多尺度特征融合增强小目标（鼠咬）和大尺度缺陷（短路）的检测一致性。
合成数据集与实际产线图像存在域差异，需进一步迁移学习优化。
改进模型在PKU-Market-PCB数据集上达到SOTA性能，满足工业检测需求。
扩展至3D焊点检测，融合红外成像与X射线多模态数据。部署轻量化模型至嵌入式设备（如Jetson Nano），实现边缘端实时检测。