Детекция дефектов печатных плат на основе архитектуры YOLOv8
https://doi.org/10.21122/2309-4923-2024-2-16-24
Аннотация
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.
Об авторах
А. B. Инютин
Объединенный институт проблем информатики НАН Беларуси
Беларусь
Беларусь
Инютин Александр Владимирович, заведующий лабораторией
г. Минск
М. М. Лукашевич
Объединенный институт проблем информатики НАН Беларуси;
Белорусский государственный университет
Беларусь
Беларусь
Лукашевич Марина Михайловна, кандидат технических наук, доцент, доцент кафедры информационных систем управления Белорусского государственного университета
г. Минск
Список литературы
1. What is the PCB Market Situation Now? (Update 2023). – [Электронный документ]. – Режим доступа: https://www.raypcb.com/pcb-market/ (дата обращения 07.05.2024).
2. 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).
3. Карпов, С. Прецизионный контроль печатных плат. Что это? / Сергей Карпов // Технологии в электронной промышленности. – 2008. – № 7. – С.37–40.
4. 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.
5. 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).
6. Girshnick R. Fast R-CNN [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1504.08083 (дата обращения 07.05.2024).
7. 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).
8. 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).
9. Redmon J. et al. YOLO9000: Better, faster, stronger [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1612.08242 (дата обращения 07.05.2024).
10. Redmon J. YOLOv3: An incremental improvement [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1804.02767 (дата обращения 07.05.2024).
11. YOLOv8: A New State-of-the-Art Computer Vision Model. – [Электронный документ]. – Режим доступа: https://yolov8.com/ (дата обращения 07.05.2024).
12. A PCB defect dataset. – [Электронный документ]. – Режим доступа: https://github.com/tangsanli5201/DeepPCB (дата обращения 07.05.2024).
13. DeepPCB Image Dataset. – [Электронный документ]. – Режим доступа: https://universe.roboflow.com/tack-hwawong-zak5u/deeppcb-4dhir/dataset/5 (дата обращения 07.05.2024).
14. Configuration Ultralytics YOLOv8 Docs. – [Электронный документ]. – Режим доступа: https://docs.ultralytics.com/usage/cfg/#modes (дата обращения 07.05.2024).
Рецензия
Для цитирования:
Инютин А.B., Лукашевич М.М. Детекция дефектов печатных плат на основе архитектуры YOLOv8. Системный анализ и прикладная информатика. 2024;(2):16-24. https://doi.org/10.21122/2309-4923-2024-2-16-24
For citation:
Inyutin A.V., Lukashevich M.M. PCB defect detection based on YOLOV8 architecture. «System analysis and applied information science». 2024;(2):16-24. (In Russ.) https://doi.org/10.21122/2309-4923-2024-2-16-24
Просмотров:
302
Послать статью по эл. почте 