Система виявлення дефектів на друкованих платах з використанням моделі підсилення уваги до пошкоджень
Анотація
Виконано детальний аналіз актуальних методів автоматичного виявлення дефектів на друкованих платах PCB (англ. Printed Circuit Board). Виявлено недоліки у традиційних методах оброблення зображень, які обмежують ефективність їхнього застосування за складних виробничих умов, таких як обмежена освітленість або дрібні дефекти, які важко ідентифікувати класичними підходами до виявлення пошкоджень на PCB. Запропоновано методику виявлення дефектів, яка використовує модель підсилення уваги до пошкоджень DAAM (англ. Defect Attention Augmentation Model) у поєднанні з глибинними згортковими нейронними мережами CNN (англ. Convolutional Neural Network) для підвищення точності їх локалізації на підставі аналізу масок і різницевих зображень, які утворені внаслідок обчислення різниці між двома зображеннями для виявлення змін або дефектів, що дає змогу виділити навіть дрібні пошкодження. Використано U-Net-архітектуру моделі, оскільки вона забезпечує краще виділення важливих фрагментів зображення порівняно з класичними моделями. Виконано реалізацію системи виявлення пошкоджень на друкованих платах за допомогою фреймворку PyTorch, який дає змогу розробити та навчити нейронну мережу. Реалізовано функцію створення різницевого зображення для підвищення точності виявлення дефектів на друкованих платах. Функція створення різницевого зображення дає змогу виділити зміни та аномалії на поверхні PCB. Здійснено попереднє оброблення обох зображень за допомогою Гаусового згладжування, що дає змогу зменшити шум на зображеннях. Застосовано як початкові дані маски дефектів різних класів (missing hole, mouse bite, open circuit, short, spur). Виконано попередню розмітку зображень та їх розподіл за класами, сформовано карту розміток для навчання моделі. Проведено навчання моделі у 10 епохах із використанням функції втрат CrossEntropyLoss. Отримано результати, які показали досягнення точності 97 % на тестових даних для більшості класів дефектів, водночас відзначено незначне зниження точності (до 93 %) у випадках, коли дефекти мають складну форму або мінімальні розміри (£1000 мкм). Все це потребує подальшого вдосконалення моделі виявлення пошкоджень на друкованих платах або збільшення обсягу даних для її навчання. Систему виявлення пошкоджень на PCB можна застосовувати під час виготовлення друкованих плат для контролю їх якості та в інших галузях, дотичних до електроніки. Це дасть змогу підвищити ефективність виготовлення друкованих плат, зменшити кількість їхнього браку та оптимізувати виробничі процеси. Також система може бути корисною в науково-дослідних цілях для створення нових технологій контролю якості виготовлення продукції.
Завантаження
Посилання
Adibhatla, V. A., Chih, H.-C., Hsu, C.-C., Cheng, J., Abbod, M. F., & Shieh, J.-S. (2020). Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks. Electronics, 9(9), article ID 1547. https://doi.org/10.3390/electronics9091547
Akhatova, A. (2019). PCB defects [Dataset] Kaggle. URL: https://www.kaggle.com/datasets/akhatova/pcb-defects
Chen, I-Chun, Hwang, Rey-Chue, & Huang, Huang-Chu. (2023). PCB Defect Detection Based on Deep Learning Algorithm. Processes, 11(3), article ID 775. https://doi.org/10.3390/pr11030775
Chen, X., Wu, Y., He, X., & Ming, W. (2023). A Comprehensive Review of Deep Learning-based PCB Defect Detection. IEEE Access, 11, 139017–139038. https://doi.org/10.1109/access.2023.3339561
Hu, B., & Wang, J. (2020). Detection of PCB Surface Defects With Improved Faster-RCNN and Feature Pyramid Network. IEEE Access, 8, 108335–108345. https://doi.org/10.1109/access.2020.3001349
Kanygina, E. D., Denisova, O. V., & Rastvorova, I. V. (2019). Optical and Electrical Control in Printed Circuit Board Manufacturing. IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), pp. 536–538. https://doi.org/10.1109/EIConRus.2019.8656918
Khalilian, S., Hallaj, Y., Balouchestani, A., Karshenas, H., & Mohammadi, A. (2020). PCB defect detection using denoising convolutional autoencoders. 2020 International Conference on Machine Vision and Image Processing, 1–5. https://doi.org/10.1109/MVIP49855.2020.9187485
Kim, J., Choi, H., & Kim. H. (2021). Printed Circuit Board Defect Detection Using Deep Learning via A Skip-Connected Convolutional Autoencoder. Sensors, 21(15), article ID 4968. https://doi.org/10.3390/s21154968
Leng, Y., & Liu, J. (2025). Improved Faster R-CNN for steel surface defect detection in industrial quality control. Scientific Reports, 15(1), article ID 30093. https://doi.org/10.1038/s41598-025-12740-x
Li, Y., Wang, Y., Lui, J., Wu, K., Abdullahi, H. S., Lv, P., & Zhang, H. (2025). Lightweight PCB defect detection method based on SCF-YOLO. PLOS ONE, 20(4), article ID e0318033. https://doi.org/10.1371/journal.pone.0318033
Mohapatra, S., Kabra, A., Gowda, D. H., Gaonkar, S. S., & Sadhukha, S. (2023). PCB defect detection using CNN-based deep learning. In Soft Computing for Security Applications, 363–376. Springer. https://doi.org/10.1007/978-981-99-3608-3_25
Rey Otero, I., & Delbracio, M. (2016). Computing an Exact Gaussian Scale-Space. Image Processing On Line, 5, 8–26. https://doi.org/10.5201/ipol.2016.117
Shen, M., Lui, Y., Chen, J., Ye, K., Gao, H., Che, J., Wang, Q., He, H., Lui, J., Wang, Y., & Jiang, Y. (2024). Defect detection of printed circuit board assembly based on YOLOv5. Scientific Reports, 14(1), article ID 19287. https://doi.org/10.1038/s41598-024-70176-1
Tan, S. C., & Kit, S. T. W. (2016). Fast retrievals of test-pad coordinates from photo images of printed circuit boards. 2016 International Conference on Advanced Mechatronic Systems (ICAMechS), Melbourne, VIC, Australia, pp. 464-467. https://doi.org/10.1109/ICAMechS.2016.7813492
Wang, Y., Li, Y., Song, Y., & Rong, X. (2020). The Influence of the Activation Function in a Convolution Neural Network Model of Facial Expression Recognition. Applied Sciences, 10(5), article ID 1897. https://doi.org/10.3390/app10051897
Xiao, G., Hou, S., & Zhou, H. (2024). PCB defect detection algorithm based on CDI-YOLO. Scientific Reports, 14(1), article ID 7351. https://doi.org/10.1038/s41598-024-57491-3
Zhang, J. (2024). PCB defect image recognition method based on deep convolutional neural network. Journal of Electronic Testing, 40, 657–667. https://doi.org/10.1007/s10836-024-06145-3
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4), article ID 99. https://doi.org/10.1007/s10462-024-10721-6
Zheng, J., Sun, X., Zhou, H., Tian, C., & Qiang, H. (2022). Printed circuit boards defect detection method based on improved fully convolutional networks. IEEE Access, 10, 109908–109918. https://doi.org/10.1109/access.2022.3214306
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
