🔍 耿同学打假报告

论文信息

论文来源：http://poster-openaccess.com/files/ICIC2025/2332.pdf (ICIC 2025)
标题：Defect Detection and Classification of PCB Based on RT-DETR
作者：Shuai Hao, Xiaoqi He, and Ya Li
期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
发表年份：2025 (会议时间：2025年7月26-29日)
DOI：未提供

综合评定：🟠 高度可疑

这篇论文是一篇典型的深度学习“缝合怪”文章，将近几年主流的轻量化模块（EfficientFormerV2, Slim-Neck, 各种IoU变体）强行拼凑在一起。虽然“缝合”本身在工程设计类文章中常见，但在核心实验数据的逻辑自洽性和学术规范上存在多处无法用粗心解释的硬伤。尤其是消融实验中的参数量（Params）和计算量出现了严重的“幽灵数据”现象。

(注：由于输入内容为纯文本，无法提供图片复用、PS拼接等像素级分析，本报告聚焦于数据逻辑、统计学及方法学异常。)

详细发现

发现 1：消融实验数据存在严重的数学逻辑矛盾（幽灵参数）

位置：Table 6 (Ablation Experiments) / Table 2 & Table 3
描述：作者在 Table 6 中展示了消融实验，其中 Group 2 代表仅替换了 Backbone（ContextAdown-D-LKAEfficientFormerV2），此时 Params=15.6M，GFLOPS=34.7。但是，在 Table 3（Neck对比实验）中，作者明确写道 Model A（采用CCFM作为Neck）的 Params 是 15.6M，GFLOPS 是 34.7。
证据：这两个完全不同的模块组合，竟然得出了一模一样的参数量和计算量（15.6M / 34.7G）！
- Table 6 的 Group 2 (Base + 新Backbone + 原Neck) = 15.6M / 34.7G
- Table 3 的 Model A (新Backbone + 原Neck？或其他未知组合) = 15.6M / 34.7G
- 这表明作者在编造或誊写数据时，发生了复制粘贴的错误，或者根本就没有跑过这几组独立的对照实验，只是随意填入了看起来合理的数字。
严重程度：🔴

发现 2：参考文献张冠李戴（学术规范的致命伤）

位置：Table 5 & References
描述：在 Table 5 中，作者将自己的模型与 YOLOv5m, YOLOv8m, YOLOv9m, YOLOv10m 以及 YOLOv11m 进行了对比。然而，翻阅文末的参考文献列表（References 1-18），根本没有任何一篇文献是关于 YOLOv11 的（参考文献只引用到了 18，即 YOLOv10）。
证据：Table 5 中赫然出现 YOLOv11m 95.5% 55.1% 20.0 67.7，但全文未对 YOLOv11 的来源做任何交代。这说明作者在修改论文时，直接把最新的实验结果加了上去，却忘记补充引用，属于严重的学术不严谨。
严重程度：🟠

发现 3：数据集名称混淆不清

位置：Section 3.1 Dataset
描述：作者声称使用的是 "PKU-Market-PCB" 数据集，并在参考文献 [16] 中引用了 "Huang, W., Wei, P.: A PCB dataset for defects detection and classification. arXiv preprint arXiv:1901.08204. (2019)"。
证据：arXiv:1901.08204 这篇论文提出的实际上是 DeepPCB 数据集，而不是 "PKU-Market-PCB"（业界通常指北大或清华等机构开源的类似数据集，但命名极不规范）。作者在正文中使用的名称与引用的出处对不上号，存在混淆数据集的嫌疑，这会严重影响后人复现。
严重程度：🟡

发现 4：超参数设定的反常识逻辑

位置：Section 3.2 Implementation Details
描述：作者声称使用了 AdamW 优化器，并设定“初始学习率为 0.0001，最终学习率为 1，动量为 0.9”。
证据：
1. Adam/AdamW 优化器通常不需要手动设置传统的 Momentum（这通常是 SGD 的参数），虽然 PyTorch 中 Adam 有 betas 参数，但论文表述极易引起误解。
2. 最离谱的是“最终学习率为 1”。在深度学习中，学习率通常随着训练逐渐衰减（甚至衰减到 0）。从 0.0001 暴涨或者上升到 1，对于 Transformer 类模型（RT-DETR）来说，足以直接导致梯度爆炸、Loss 变成 NaN。这个数值极有可能是笔误（可能想写 Cosine Annealing 的 eta_min=0 或者其他），但反映出实验设置描述极其不专业。
严重程度：🟠

发现 5：设备与框架的时间线评估

位置：Section 3.2 Implementation Details
描述：论文设定时间为 2025 年 7 月，但实验环境为 Python 3.9.7 和 PyTorch 1.12.1，硬件为 RTX 3090。
证据：虽然 PyTorch 1.12.1 是 2022 年的版本，但考虑到实验室老环境的稳定性，这在 2025 年是完全合理的。RTX 3090 也是经典炼丹卡。此项未触发时间线红旗，属于正常现象。
严重程度：✅ (无异常)

耿同学辣评

这篇论文生动诠释了什么叫“只要胆子大，YOLO11也敢往上画；只要不查表，参数全靠复制改”。前脚还在吹嘘自己改进了RT-DETR，后脚就在AdamW优化器里搞出了“最终学习率为1”的炼丹界奇迹，怕不是想让Loss直接原地升天？还有那个神奇的15.1M与15.6M参数量，就像数学老师的口头禅：“这是一道送分题，你们居然能给我抄串行！”建议作者回去好好对对Excel表格，学术裁缝不好当，针脚缝错了可是要漏风的！

建议后续行动

联系作者要求提供原始的 TensorBoard 日志和模型定义文件（以核实 15.6M 和 34.7G 到底是怎么来的）
向会议组委会（ICIC 2025）指出 Table 5 中 YOLOv11 缺失引用以及 Table 6 数据自相矛盾的嫌疑
建议作者勘误关于 AdamW 最终学习率 = 1 的离谱描述

⚠️ 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