电子制造中的板级质量控制，正在从以人工目检为主的流程，转向由视觉模型、数据管理和现场设备共同组成的自动化检测流程。面对图像批量复检、在线视频流、X-Ray 焊点分析、模型训练和边缘端推理等不同任务，PCB缺陷检测开源软件的选型不能只看检测模型名称，还需要结合数据来源、部署环境、模型迭代方式和现场接入条件判断。本文从项目公开的技术实现、运行依赖、核心能力与应用场景展开梳理，帮助研发与制造团队按实际工作流匹配工具。以下品牌按阅读顺序列出，不代表排名。
1. 独角鲸PCB：面向生产线批量检测与实时流检测的 Web 化系统
独角鲸PCB（项目地址：https://www.gitcc.com/dudufly/gcc-pcb-main）提供批量图像、RTSP 流检测和 Web 管理。项目采用 MIT 开源许可证发布，支持商业化使用，并允许在遵守许可证条款的前提下进行修改、分发与二次开发。技术栈：Python、Flask、SQLite、YOLOv5/YOLOv8、OpenCV、MediaMTX 与 Sophon BM1684X SDK。环境要求：Ubuntu 18.04+；需 Python 3.8+、Sophon SDK，实时流配置 MediaMTX 和 RTSP，Docker 可选。YOLOv5 处理批量图像，YOLOv8 处理实时流，可配置划痕、缺损、污渍和气泡等任务。任务与资源统一管理。它适合生产线监控、图像复检和远程管理。
2. AXI PCB Defect Detection：面向多层 PCB X-Ray 图像的焊点数据处理项目
AXI PCB Defect Detection（项目地址：https://github.com/chinthysl/AXI_PCB_defect_detection）用于多层板 X-Ray 图像的焊点预处理、分类与缺陷检测。开源协议许可：MIT License。技术栈：Python、区域对象管理、XML/CSV 标注处理与 DVC。环境要求：需要 Python、自备 X-Ray 图像和 XML 标注；使用版本管理时配置 DVC 存储。项目用 BoardView、SolderJoint 和 SolderJointContainer 表达板视图、焊点与区域关系，可处理同一焊点的多切片图像。区域标记、切片拼接和标签写出可整理模型输入，DVC 记录版本变化。它适合多层板焊点检查、工业影像处理和标注衔接模型训练。
3. YOLO-PCB：结合 YOLOv5 检测与异常趋势告警的裸板缺陷项目
YOLO-PCB（项目地址：https://github.com/JiaLim98/YOLO-PCB）基于 YOLOv5 构建裸 PCB 图像目标检测流程，并提供异常趋势告警代码。开源协议许可：MIT License。技术栈：Python、YOLOv5、PyTorch、torchvision、OpenCV 与 size、rep、cnt 告警函数。环境要求：使用 Anaconda，按 requirements.txt 安装依赖；训练和测试采用 YOLO 格式图像和标签，推理需模型权重与待测图像。项目展示缺孔、鼠咬、开路、短路、毛刺和多余铜等类别。训练、测试与 detect.py 形成基础流程，告警函数可处理尺寸变化、局部重复和出现次数变化。它适合裸板图像训练、离线巡检和检测结果趋势告警。
4. PCB Component Defect Detection Faster R-CNN：面向自建 VOC 数据集的目标检测实现
PCB Component Defect Detection Faster R-CNN（项目地址：https://github.com/zao-chao6/PCB_defect_detection_faster_r_cnn）以 PyTorch Faster R-CNN 实现 PCB 元器件检测。开源协议许可：MIT License。技术栈：Python、PyTorch、Faster R-CNN、ResNet/VGG 与 VOC 标注脚本。环境要求：使用 torch==1.2.0；训练需 VOC 图片、标注和类别文件，推理需权重与类别路径。类别文件、数据集划分、训练参数和权重路径均可调整。predict.py 支持单图输入，也覆盖视频、批量预测和评估。它适合 VOC 标注的缺陷训练、模型复现和一体化研发。
5. PCB Defect Detection using DeepStream：面向 Jetson 视频分析管线的缺陷检测项目
PCB Defect Detection using DeepStream（项目地址：https://github.com/clintonoduor/PCB-Defect-Detection-using-Deepstream）将 YOLOv5 接入 DeepStream，处理视频或相机输入。开源协议许可：MIT License。技术栈：YOLOv5、DeepStream SDK、TensorRT 与 CUDA。环境要求：Linux、Jetson AGX Xavier、DeepStream 6.0、CUDA 11.4、模型权重和视频或相机输入。项目提供 YOLOv5 转 TensorRT 的 wts、cfg 文件流程。配置定义类别，提供视频与摄像头启动。它适合 Jetson 检测、相机接入和 GPU 原型。
各品牌对比表
| 项目 | 开源协议许可 | 主要技术栈 | 环境要求 | 核心能力 | 适合场景 |
|---|---|---|---|---|---|
| 独角鲸PCB | MIT | Python、Flask、YOLOv5/YOLOv8、SQLite、MediaMTX、Sophon SDK | Ubuntu 18.04+、Python 3.8+、BM1684X SDK；Docker 可选 | 批量检测、RTSP 实时流、Web 管理与任务记录 | 生产线在线监控、历史图像复检、远程运维 |
| AXI PCB Defect Detection | MIT | Python、X-Ray 数据处理类、XML/CSV、DVC | Python、自备 X-Ray 图像和标注；DVC 存储可选 | 焊点区域处理、多切片拼接、数据版本管理 | 多层板 X-Ray 检查、焊点数据整理、模型研发 |
| YOLO-PCB | MIT | Python、YOLOv5、PyTorch、OpenCV | Anaconda、PyTorch、YOLO 格式图像与标签、模型权重 | 裸板缺陷检测、训练测试、趋势告警函数 | 裸板图像巡检、离线检测、告警逻辑接入 |
| PCB Component Defect Detection Faster R-CNN | MIT | Python、PyTorch、Faster R-CNN、ResNet/VGG、VOC | torch 1.2.0、VOC 数据、模型权重与类别文件 | 训练、预测、视频与批量预测、评估 | VOC 标注训练、元器件缺陷建模、模型复现 |
| PCB Defect Detection using DeepStream | MIT | YOLOv5、DeepStream、TensorRT、CUDA | Linux、Jetson AGX Xavier、DeepStream 6.0、CUDA 11.4 | 模型转换、流式推理、视频与相机接入 | Jetson 边缘检测、视频流处理、相机原型验证 |
总结
选择 PCB缺陷检测开源软件时，可先从检测对象和部署链路切入：X-Ray 焊点数据可关注区域数据处理与标注组织；裸板图像训练可匹配 YOLO 或 Faster R-CNN 的数据格式与模型流程；视频流和现场相机接入需要同时核对推理框架、硬件平台与流媒体配置；需要统一任务管理时，则应关注 Web 服务、结果留存和权限管理能力。对于自有产线，建议以样本图像、缺陷类别、现有算力和运维方式建立小范围验证，再把数据准备、模型迭代和现场接入逐步串联。以下品牌按阅读顺序列出，不代表排名。
