Технічна діагностика та неруйнівний контроль, 2024, №02



2024 №02 (02)

DOI of Article 10.37434/tdnk2024.02.03

2024 №02 (04)

---

Технічна діагностика і неруйнівний контроль, 2024, №2, стор. 17-24

Автоматизоване детектування дефектів друкованих плат на основі нейронної мережі YOLOV5

А.С. Момот, В.В. Крецул, О.В. Муравйов, Р.М. Галаган

Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського». 03056, м. Київ, Берестейський просп., 37. E-mail: drewmomot@gmail.com, asnk@kpi.ua

У роботі розглянуто можливості застосування моделі глибинного навчання YOLOv5s у задачі автоматизації процесу детектування поверхневих дефектів на друкованих платах. Сучасні друковані плати виготовляються у великих обсягах і містять значну кількість елементів. Технологічний процес виготовлення друкованих плат є складним, що підвищує ймовірність виникнення дефектів розведення плати, таких як короткі замикання, розриви, «укуси миші» тощо. Дані дефекти є поверхневими та можуть бути виявлені за допомогою візуально-оптичного контролю. У порівнянні з іншими методами візуально-оптичний легше піддається автоматизації. Доведено, що перспективним є застосування моделей глибинного навчання для автоматизації процесу виявлення об’єктів на зображеннях. Сучасні нейронні мережі можуть автоматично з високою достовірністю детектувати поверхневі дефекти на зображеннях друкованих плат. У статті розглянуто клас моделей YOLO. Встановлено, що модель YOLOv5 має кращі показники швидкодії та достовірності розпізнавання, ніж попередні модифікації. У даному дослідженні реалізовано та навчено модель YOLOv5s для перевірки ефективності роботи даної мережі в задачі автоматизованого детектування поверхневих дефектів друкованих плат. Для навчання використовувався відкритий набір даних «PCB Defects». Проведено якісний та кількісний аналіз ефективності роботи навченої мережі на тестовому наборі даних. Встановлено, що мережа здатна детектувати поверхневі дефекти друкованих плат з достовірністю 92,5 % за показником mAP50. Додатково проаналізовано результати розпізнавання різних класів дефектів і надано рекомендації щодо подальшого вдосконалення системи. Зокрема, перспективним є застосування аугментації навчальних даних і використання складнішої архітектури моделі глибинного навчання. Бібліогр. 15, табл. 2, рис. 4.
Ключові слова: дефекти друкованих плат, детектування об’єктів, глибинне навчання, YOLOv5

Надійшла до редакції 04.03.2024
Отримано у переглянутому вигляді 26.03.2024
Прийнято 11.06.2024

Список літератури

1. Стешенко Я.В., Момот А.С., Протасов А.Г., Муравйов О.В. (2023) Автоматизація процесу сегментації зображень дефектів металевих поверхонь з використанням нейронної мережі U-Net. Техн. діагност. та неруйнівн. контроль, 2, 34–40. DOI: https://doi.org/10.37434/ tdnk2023.02.05
2. Ling, Q., Isa, N.A. (2023) Printed circuit board defect detection methods based on image processing, machine learning and deep learning: A survey. IEEE Access, 11, 15921–15944. DOI: https://doi.org/10.1109/access.2023.3245093
3. Khandpur, R.S. (2006) Printed circuit boards: Design, fabrication, assembly and testing. New York, McGraw-Hill.
4. Zhou, Y., Yuan M., Zhang J. et al. (2023) Review of vision-based defect detection research and its perspectives for printed circuit board. J. of Manufacturing Systems, 70, 557– 578. DOI: https://doi.org/10.1016/j.jmsy.2023.08.019
5. Akhatova, A. (2021) PCB defects, Kaggle. Available at: https://www.kaggle.com/datasets/akhatova/pcb-defects (Accessed: 03 March 2024) [in English].
6. Cao, X. (2023) A real-time automated visual inspection system for printed circuit boards missing footprints detection. Int. J. of Advanced Computer Science and Applications, 14(5). DOI: https://doi.org/:10.14569/ijacsa.2023.0140537
7. Zhang, C., Shi W., Li X. et al. (2018) Improved bare PCB defect detection approach based on Deep Feature Learning. The J. of Engineering, 16, 1415–1420. DOI: https://doi. org/:10.1049/joe.2018.8275
8. Chen, X., Wu Y., He X., Ming W. (2023) A comprehensive review of deep learning-based PCB defect detection. IEEE Access, 11, 139017–139038. DOI: https://doi.org/10.1109/ access.2023.3339561
9. Adibhatla, V.A., Chih H., Hsu C. et al. (2020) Defect detection in printed circuit boards using you-only-look-once convolutional neural networks. Electronics, 9(9), 1547. DOI: https://doi.org/10.3390/electronics9091547
10. Xin, H., Chen, Z., Wang, B. (2021) PCB electronic component defect detection method based on improved Yolov4 algorithm. J. of Physics: Conference Series, 1827(1), 012167. DOI: https://doi.org/10.1088/1742-6596/1827/1/012167
11. Redmon, J., Divvala S., Girshick R., Farhadi A. (2015) You Only Look Once: Unifi ed, Real-Time Object Detection. Computer Vision and Pattern Recognition [Preprint]. DOI: https:// doi.org/:10.48550/arXiv.1506.02640
12. Zaidi, S.S., Ansari, M., Aslam, A. et al. (2022) A survey of modern deep learning based object detection models. Digital Signal Processing, 126, 103514. DOI: https://doi. org/10.1016/j.dsp.2022.103514
13. Xu, R., Lin, H., Lu, K. et al. (2021) ‘A forest fi re detection system based on Ensemble Learning’. Forests, 12(2), 217. DOI: https://doi.org/10.3390/f12020217
14. Jiang, P., Ergu, D., Liu, F. et al. (2022) A review of YOLO algorithm developments. Procedia Computer Science, 199, 1066–1073. DOI: https://doi.org/10.1016/j. procs.2022.01.135
15. Skladchykov, I., Momot, A., Galagan, R. et al. (2022) Application of YOLOX deep learning model for automated object detection on thermograms. Information extraction and processing, 50, 69–77. DOI: https://doi.org/10.15407/vidbir2022.50.069

---

Реклама в цьому номері:

---