sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2024-2-16-24sapi-671Research ArticleУправление техническими объектамиManagement of technical objectsДетекция дефектов печатных плат на основе архитектуры YOLOv8PCB defect detection based on YOLOV8 architectureИнютинА. B.InyutinA. V.

Инютин Александр Владимирович, заведующий лабораторией

г. Минск

Alexander Inyutin, head of the laboratory

Minsk

ЛукашевичМ. М.LukashevichM. M.

Лукашевич Марина Михайловна, кандидат технических наук, доцент, доцент кафедры информационных систем управления Белорусского государственного университета

г. Минск

MarinaLukashevich,AssociateProfessor,AssociateProfessoroftheDepartmentofInformationManagementSystemsattheBelarusianStateUniversity

Minsk

Объединенный институт проблем информатики НАН БеларусиБеларусьUnited Institute of Informatics Problems of the National Academy of Sciences of BelarusBelarusОбъединенный институт проблем информатики НАН Беларуси; Белорусский государственный университетБеларусьUnited Institute of Informatics Problems of the National Academy of Sciences of Belarus; Belarusian State UniversityBelarus202430082024021624Copyright © Инютин А.B., Лукашевич М.М., 20242024Инютин А.B., Лукашевич М.М.Inyutin A.V., Lukashevich M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/671

Рассмотрены ключевые факторы и тенденции в проектировании и производстве печатных плат, определяющие современное состояние в области автоматического контроля печатных плат. Для поиска и классификации дефектов предлагается использовать метод детекции дефектов на изображениях на основе семейства моделей обнаружения объектов YOLO. Проведено обучение модели на публичном наборе изображений печатным плат с 6 классами дефектов, выполнена оценка точности на общепринятых метриках. На тестовом наборе данных средняя точность согласно метрике mAP50 равна 0,98.

The paper discusses the key factors and trends in the design and production of printed circuit boards (PCB), which determine the state of the art of the automatic PCB inspection. To search for and classify defects, it is proposed to use the method of detecting defects in images based on the YOLO family of object detection models. The model was trained on a public set of images of PCB with 6 classes of defects, and the accuracy was assessed using generally accepted metrics. On the test dataset, the average accuracy according to the mAP50 metric is 0.98.

дефектпечатные платыдетекцияклассификациянейронные сетиdefectprinted circuit boardsdetectionclassificationneural networksReferencesWhat is the PCB Market Situation Now? (Update 2023). – [Электронный документ]. – Режим доступа: https://www.raypcb.com/pcb-market/ (дата обращения 07.05.2024).What is the PCB Market Situation Now? (Update 2023). – [Online]. – Available: https://www.raypcb.com/pcb-market/ (Date of access 07.05.2024).The Global Printed Circuit Board Market: Key Insights, Forecasts, & Growth Outlook. – [Электронный документ]. – Режим доступа: https://www.mktpcb.com/pcb-industry-statistics-trends-infographic/ (дата обращения 07.05.2024).The Global Printed Circuit Board Market: Key Insights, Forecasts, & Growth Outlook. – [Online]. – Available: https://www.mktpcb.com/pcb-industry-statistics-trends-infographic/ (Date of access 07.05.2024).Карпов, С. Прецизионный контроль печатных плат. Что это? / Сергей Карпов // Технологии в электронной промышленности. – 2008. – № 7. – С.37–40.Karpov, S. Precision Control of Printed Circuit Boards. What is this? / Sergey Karpov // Tekhnologii v elektronnykh promyshlennosti. – 2008. – № 7. – С.37–40.Lehmann, David K. X-ray systems for optimizing PCB inspection: x-ray systems are not all equal, and their differences affect the type of defects that can be detected / David K. Lehmann // Circuits Assembly. – 2002. – Т. 13, № 2. – С. 35–40.Lehmann, David K. X-ray systems for optimizing PCB inspection: x-ray systems are not all equal, and their differences affect the type of defects that can be detected / David K. Lehmann // Circuits Assembly. – 2002. – Vol. 13, № 2. – P. 35–40.Girshnick R. et al. Rich feature hierarchies for accurate object detection and semantic segmentation [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1311.2524 (дата обращения 07.05.2024).Girshnick R. еt al. Rich feature hierarchies for accurate object detection and semantic segmentation [Online]. – Available: https://arxiv.org/abs/1311.2524 (Date of access 07.05.2024).Girshnick R. Fast R-CNN [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1504.08083 (дата обращения 07.05.2024).Girshnick R. Fast R-CNN [Online]. – Available: https://arxiv.org/abs/1504.08083 (Date of access 07.05.2024).Ren S. et al. Faster R-CNN: Towards real-time object detection with region proposal networks [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1506.01497 (дата обращения 07.05.2024).Ren S. et al. Faster R-CNN: Towards real-time object detection with region proposal networks [Online]. – Available: https://arxiv.org/abs/1506.01497 (Date of access 07.05.2024).Redmon J. et al. You Only Look Once: Unified, real-time object detection [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1506.02640 (дата обращения 07.05.2024).Redmon J. et al. You Only Look Once: Unified, real-time object detection [Online]. – Available: https://arxiv.org/ abs/1506.02640 (Date of access 07.05.2024).Redmon J. et al. YOLO9000: Better, faster, stronger [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1612.08242 (дата обращения 07.05.2024).Redmon J. et al. YOLO9000: Better, faster, stronger [Online]. – Available: https://arxiv.org/abs/1612.08242 (Date of access 07.05.2024).Redmon J. YOLOv3: An incremental improvement [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1804.02767 (дата обращения 07.05.2024).Redmon J. YOLOv3: An incremental improvement [Online]. – Available: https://arxiv.org/abs/1804.02767 (Date of access 07.05.2024).YOLOv8: A New State-of-the-Art Computer Vision Model. – [Электронный документ]. – Режим доступа: https://yolov8.com/ (дата обращения 07.05.2024).YOLOv8: A New State-of-the-Art Computer Vision Model. – [Online]. – Available: https://yolov8.com/ (Date of access 07.05.2024).A PCB defect dataset. – [Электронный документ]. – Режим доступа: https://github.com/tangsanli5201/DeepPCB (дата обращения 07.05.2024).A PCB defect dataset. – [Online]. – Available: https://github.com/tangsanli5201/DeepPCB (Date of access 07.05.2024).DeepPCB Image Dataset. – [Электронный документ]. – Режим доступа: https://universe.roboflow.com/tack-hwawong-zak5u/deeppcb-4dhir/dataset/5 (дата обращения 07.05.2024).DeepPCB Image Dataset. – [Online]. – Available: https://universe.roboflow.com/tack-hwa-wong-zak5u/deeppcb4dhir/dataset/5 (Date of access 07.05.2024).Configuration Ultralytics YOLOv8 Docs. – [Электронный документ]. – Режим доступа: https://docs.ultralytics.com/usage/cfg/#modes (дата обращения 07.05.2024).Configuration Ultralytics YOLOv8 Docs. – [Online]. – Available: https://docs.ultralytics.com/usage/cfg/#modes (Date of access 07.05.2024).

The authors declare that there are no conflicts of interest present.