北京
来源：市场资讯
（来源：计算机视觉研究院）
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12716720/pdf/pone.0336971.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出的LNB-YOLO 轻量化检测网络，基于 YOLOv8 深度优化，兼顾超高精度、极致轻量、边缘部署三大核心能力，完美适配手机产线工业质检！
PART/1
痛点
手机屏表面缺陷检测面临三重瓶颈，传统方案均无法满足工业落地：
：微小斑点、细划痕易漏检，复杂背景干扰大；
：常规检测模型参量大、计算高，无法在边缘设备运行；
：精度与速度无法平衡，产线实时检测达不到要求。
为破解难题，LNB-YOLO 应运而生，针对性解决小缺陷识别、模型轻量化、边缘部署三大核心问题。
PART/2
创新
LNB-YOLO 在 YOLOv8 基础上完成四大关键优化，全面提升检测性能与端侧适配性：
1. 特征融合升级：CGRFPN 特征金字塔
替换原版 FPN，引入上下文引导空间特征重建金字塔，整合 RCM、PCE、MFF 等模块，保留深浅层特征，减少信息丢失，复杂背景下小缺陷识别能力大幅提升。
CGRFPN 模块结构
LNB-YOLO 网络结构
2. 注意力机制升级：ELA 高效局部注意力
在主干网 C2F 模块嵌入ELA 轻量注意力，沿水平 / 垂直方向精准聚焦缺陷区域，抑制噪声、减少误检，微小缺陷定位更准。
ELA 模块结构
ELA 加入前后热力图对比
3. 检测头升级：LSDECD 轻量细节增强头
采用分组归一化 + 权重共享卷积 + 细节增强卷积，替代原版检测头，抓细节、降参量、减计算，小批次训练更稳定。
LSDECD 结构
4. 损失与压缩升级：MPDIoU 损失 + 剪枝蒸馏
替换为MPDIoU 损失，解决框回归方向不匹配问题，定位更精准；
采用LAMP 分层剪枝 + 知识蒸馏，模型大幅压缩，精度不降反升。
特征蒸馏算法
PART/3
实验
在PKU-Market-Phone 手机缺陷数据集上，LNB-YOLO 表现远超主流模型：
- mAP@0.5：97.5%，较原版 YOLOv8 提升 6.1%；
- mAP@0.5:0.95：68.8%，较原版 YOLOv8 提升 9.3%；
- 参数量减少 80%，计算量降低 63%；
统计检验（p=0.002<0.01），提升极具显著性。
消融实验结果
多算法对比结果
剪枝蒸馏最优配置
LAMP 剪枝效果分析
PART/4
落地验证
1. 边缘部署：RK3568 开发板直接跑
模型成功部署瑞芯微 RK3568 边缘计算平台，真实工业场景测试：
划痕零误检、零漏检；
斑点漏检率从 39.1% 降至 8.7%；
整体 F1-Score 达95.4%，完全满足产线要求。
RK3568 部署实景
端侧检测指标对比
端侧检测效果对比
2. 泛化性验证：PCB 缺陷同样领先
在 PCB 缺陷数据集上，LNB-YOLO 较 YOLOv8：
mAP@0.5 提升 3.0%，mAP@0.5:0.95 提升 11.8%；
无重叠框、无漏检，跨工业场景通用性拉满。
PCB 数据集结果
PCB 检测对比
PART/5
总结
LNB-YOLO 以轻量架构 + 精准检测 + 端侧友好，彻底解决手机屏表面缺陷检测痛点：
✅ 小缺陷不漏检、不误检；
✅ 模型极致轻量，参量砍半；
✅ RK3568 低成本边缘板直接部署；
✅ 跨 3C、PCB 等工业场景通用。
为工业视觉质检提供低成本、高可靠、易落地的轻量化解决方案，推动手机产线质检全面智能化升级！
有相关需求的你可以联系我们！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
