🔍 耿同学打假报告

论文信息

标题：Defect Detection and Classification of PCB Based on RT-DETR
作者：Shuai Hao, Xiaoqi He, Ya Li
期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
DOI：无（会议论文预印本）
发表年份：2025
论文来源：http://poster-openaccess.com/files/ICIC2025/2332.pdf

综合评定：🔴 实锤

详细发现

发现 1：消融实验数据自相矛盾，存在“反向优化”却声称有效

位置：Table 6 (Page 6) vs Table 2, 3 (Page 5)
描述：作者在消融实验（Table 6）中报告的数据与前面独立模块验证的数据存在严重矛盾，且最终的融合模型性能竟然劣于单一改进模块。
证据：
1. 基线参数“薛定谔的猫”：Table 6 中 Group 1（Baseline RT-DETR）的参数量和计算量为 19.9M 和 57.2 GFLOPS。然而在 Table 2 中，Model A（同样作为 Baseline 的 ResNet18 RT-DETR）的参数和计算量却变成了 19.5M 和 54.0 GFLOPS。同一个 baseline，在两张表里连硬件计算出来的硬指标都不一样！
2. 掩耳盗铃的最终性能：在 Table 6 Group 3 中，仅仅加入 Bi-Slim-Neck，mAP50:95 达到了惊人的 55.8%。但是，当把所有改进加在一起（Group 5，也就是本文最终提出的模型），mAP50:95 却掉到了 55.0%。作者不仅加法做砸了（1+1+1 < 1），还在结论中堂而皇之地写道：“without compromising detection accuracy”（在不妥协检测精度的情况下）。
严重程度：🔴

发现 2：深度学习基础知识存在严重谬误（“调参侠”的毁灭时刻）

位置：Section 3.2 Implementation Details (Page 4)
描述：论文声称使用了 AdamW 优化器，但列出的超参数暴露出作者可能根本不懂自己在写什么，纯属复制粘贴其他论文的实验设置（很可能是抄了使用 SGD 优化器的 YOLO 系列论文）。
证据：
1. AdamW 有动量？：论文写道 “momentum parameter of 0.9”。AdamW 优化器根本不存在名为 "momentum" 的参数！这通常是 SGD 优化器的专属参数（SGD with momentum）。作者极大概率是把别人用 SGD 跑的参数表直接抄过来了。
2. 学习率原地爆炸：论文声称 “initial learning rate of 0.0001, a final learning rate of 1”。从 0.0001 衰减到 1？这是一个典型的正比例增长！如果在 PyTorch 中把学习率调到 1，模型的梯度会直接爆炸（NaN）。作者大概率是把权重衰减（Weight Decay, 如 1e-4 到 1）或者余弦退火的参数理解错了，生搬硬套。
严重程度：🔴

发现 3：引文与正文严重对不上号（Ctrl+C/V 的遗留物）

位置：Section 1 Introduction (Page 1) & References
描述：引言部分引用的文献标号与参考文献列表中的论文完全对不上，张冠李戴。
证据：
- 正文声称：“image subtraction (Pal [1]), K-means clustering (Melnyk [2]), and Gaussian Mixture Models (Cai [3])”。
- 然而翻开参考文献列表：
  - [1] 是 R.A., Melnyk 写的关于 Clustering 的文章（这应该是正文中的 [2]）。
  - [2] 是 Cai 写的关于 Gaussian Mixture Model 的文章（这应该是正文中的 [3]）。
  - [3] 是 Wu 写的关于 Bayes 的文章。
- 连第一页的引言文献都能排错，证明这篇论文的撰写极度敷衍，很可能是从多份不同的草稿中拼凑（Copy-Paste）而成的。
严重程度：🟠

发现 4：数据过度凑整，高度怀疑人工编造

位置：Table 1 (Page 5)
描述：表格中出现了完全不符合自然实验规律的完美数据。
证据：在 Table 1 中，当 ratio = 1.25 时，无论 scale 是 0.0, 0.6 还是 1.2，其 mAP50:95 的值全部精确等于 54.0%。在不同的超参数组合下，得到完全相同且高度凑整的结果，这在随机性极强的深度学习训练中几乎是不可能发生的巧合。
严重程度：🟠

发现 5：学术规范与时间线异常

位置：作者信息 & Table 5
描述：存在不合理的邮箱后缀与不规范的术语使用。
证据：
1. 野鸡邮箱：作者单位是上海交通大学（SJTU），但通讯作者邮箱却是 hexiaoqi@niii.com。交大的官方邮箱后缀应为 @sjtu.edu.cn，这个 niii.com 要么是个人注册的域名，要么是伪造的单位信息。
2. YOLOv11 梗：Table 5 中赫然出现了 YOLOv11m 的对比。虽然 YOLO 系列更新快，但学术界通常以官方正式发布为准（且当前版本命名有一定争议）。更关键的是，正文和参考文献中根本没有引用 YOLOv11 的文献，直接在表格里抛出一个无源的数据。
严重程度：🟡

(注：文本中未提供图片信息，无法进行一图多用及 PS 痕迹的像素级分析，但这并不影响本文在数据和逻辑层面的“实锤”造假定性。)

耿同学辣评

这篇论文简直是深度学习界的“缝合怪”大翻车！不仅把 SGD 的动量参数强行按在 AdamW 的头上（学习率还能从 0.0001 涨到 1，这梯度是准备上天吗？），而且消融实验的数据完美演绎了什么叫“负优化”——单独加个 Neck 能到 55.8%，三个一块上反而掉到 55.0%，作者硬是闭着眼睛在结论里写“维持了高精度”。连参考文献都能抄串行，你确定这不是用大模型胡乱生成的 PPT 草稿吗？

建议后续行动

向会议组委会（ICIC 2025）说明情况，建议驳回此文或要求提供完整的训练日志（Log）和源代码
核实上海交通大学是否存在该课题组及 niii.com 域名的真实性
在 PubPeer 上提出质疑（待文章正式收录后）

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

Defect Detection and Classification of PCB Based on RT-DETR