文章详情

摘要

电源板的稳定工作对于各类电子设备至关重要，当前对电源板的外观检测大多仍停留在人工目检的状态，本文提出一种YOLOv13在电源板元件缺失检测中的应用方法。首先介绍YOLOv13模型的训练方法，分析图像增强参数的选取方法，通过对比不同参数训练的模型结果，得出最优的YOLOv13n模型；其次对训练完成的模型进行验证，能够准确识别标记元件；最后设计电源板元件缺失检测系统，获取摄像头视频流，调用训练完成的 YOLOv13n模型进行推理预测，并使用与标准电源板元件坐标对比的方法，判断被测电源板是否存在元件缺失，并给出缺失元件的具体信息。实验结果表明，本文设计的电源板元件缺失检测系统，能够有效检测出电源板是否存在元件缺失。

关键词

电源板；元件缺失检测；图像识别；YOLOv13

参考文献

1. [1] 张亮敬，吴春江，吴柳强，等.改进的YOLOv13在甘蔗赤腐病检测与识别中的应用研究 [J].无线互联科技，2026，23（4）：1-10.
2. [2] 杨思念，曹立佳，杨洋，等.基于机器视觉的PCB缺陷检测算法研究综述 [J].计算机科学与探索，2025，19（4）：901-915.
3. [3] 刘开培，李博强，秦亮，等.深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述 [J].高电压技术，2023，49（9）：3584-3595.
4. [4] 程锦锋，方贵盛，高惠芳.表面缺陷检测的机器视觉技术研究进展 [J].计算机应用研究，2023，40（4）：967-977.
5. [5] 杨泽青，张明轩，陈英姝，等.基于机器视觉的表面缺陷检测方法研究进展 [J].现代制造工程，2023（4）：143-156.
6. [6] 罗臻，蒋瑜，李维诚.基于改进YOLO11n的道路缺陷检测模型 [J].微电子学与计算机，2025，42（11）：25-36.
7. [7] 刘传洋，吴一全.基于深度学习的输电线路视觉检测方法研究进展 [J].中国电机工程学报，2023，43（19）：7423-7446.
8. [8] 耿创，宋品德，曹立佳.YOLO算法在目标检测中的研究进展 [J].兵器装备工程学报，2022，43（9）：162-173.
9. [9] Lei M Q，Li S Q，Wu Y H，et al. YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [PP/OL].arXiv:2506.17733 [cs.CV].https://doi.org/10.48550/arXiv.2506.17733.
10. [10] Redmon J，Divvala S，Girshick R，et al. You Only Look Once: Unified, Real-Time Object Detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)，2016：779-788.

作者简介

王凯（1989—），男，汉族，江苏淮安人，助教，硕士研究生，研究方向：图像处理、深度学习、YOLO算法。