Применение нейронных сетей для контроля печатных плат с помощью данных рентгеновского 3D-микротомографа

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассматривается метод распознавания дефектов печатных плат с использованием нейронных сетей. Проводится анализ различных архитектур нейронных сетей для выявления наиболее эффективной. Также представлен подход к фильтрации данных, имитирующих работу микротомографа, с использованием сверточных автоэнкодеров. Для оценки качества предложенных подходов использовалась метрика mean Average Precision (mAP) для моделей YOLOv8 и Faster R-CNN.

Об авторах

В. И. Сырямкин

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»

Автор, ответственный за переписку.
Email: svi_tsu@mail.ru
Россия, 634050 Томск, пр-т Ленина, 36

Ф. А. Классен

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»

Email: svi_tsu@mail.ru
Россия, 634050 Томск, пр-т Ленина, 36

А. Н. Берцун

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»

Email: svi_tsu@mail.ru
Россия, 634050 Томск, пр-т Ленина, 36

Список литературы

  1. Иваненко Б.П., Клестов С.А., Сырямкин В.И. Сравнение нейросетевых методов предобработки данных при решении задач анализа, диагностики и классификации дефектов радиоэлектронной аппаратуры // Автометрия. 2023. Т. 59. № 2. С. 17—24.
  2. Левкевич В.И., Иваненко Б.П., Клестов С.А. Классификация дефектов поверхности печатных плат нейросетевыми методами / Инноватика-2023. Сб. материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых. Томск, 2023. С. 232—234.
  3. Цвингер В.А., Сырямкин В.И., Клестов С.А. Использование систем технического зрения в контроле качества печатных плат / Инноватика-2023. Сб. материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых. Томск, 2023. С. 225—228.
  4. Alghassab M.A. Defect detection in printed circuit boards with pre-trained feature extraction methodology with convolution neural networks // Computers, Materials & Continua. 2022. V. 70. No 1. P. 637—652.
  5. Adibhatla V.A., Shieh J.S., Abbod M.F., Chih H.C., Hsu C.C., Cheng J. Detecting Defects in PCB using Deep Learning via Convolution Neural Networks / 2018 13th International Microsystems, Packaging, Assembly and Circuits Technology Conference (IMPACT), Taipei, Taiwan. 2018. P. 202—205.
  6. Chen W., Huang Z., Mu Q., Sun Y. PCB Defect Detection Method Based on Transformer-YOLO // IEEE Access. 2022. V. 10. P. 129480—129489.
  7. Terven Juan, Cordova-Esparza Diana-Margarita, Romero-González Julio-Alejandro. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS // Machine Learning and Knowledge Extraction. 2023. V. 5. No 4. P. 1680—1716.
  8. Yujie Yang, Haiyan Kang. An Enhanced Detection Method of PCB Defect Based on Improved YOLOv7 // Electronics. 2023. V. 12. No. 9. P. 2120.
  9. Adibhatla V.A., Chih H.C., Hsu C.C., Cheng J., Abbod M.F., Shieh J.S. Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks // Electronics. 2020. V. 9. No. 9.
  10. Girshick R. Fast R-CNN / 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, Chile. 2015. P. 1440—1448.
  11. Shaoqing Ren, He Kaiming, Girshick Ross, Sun Jian. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. V. 39. No. 6. P. 1137—1149.
  12. Girshick R., Donahue J., Darrell T., Mali J. Rich feature hierarchies for accurate object detection and semantic segmentation / Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. P. 580—587.
  13. Liu L., Ouyang W., Wang X., Fieguth P., Chen J., Liu X., Pietikäinen M. Deep learning for generic object detection: A survey // International journal of computer vision. 2020. V. 128. P. 261—318.
  14. Tang S., He F., Huang X., Yang J. Online PCB defect detector on a new PCB defect dataset // arXiv preprint arXiv:1902.06197. 2019.
  15. Syryamkin V.I., Klestov S.A., Suntsov S.B., Ivanenko B.P., Levkevich V.I. Digital X-ray Tomography. London: Red Square Scientific, 2023. 296 p.
  16. Сырямкин В.И., Клестов С.А., Сунцов С.Б. Проектирование рентгеновского 3D-микротомографа на основе его «цифрового двойника» // Дефектоскопия. 2022. № 11. С. 56—65.
  17. Хильчук М.Д., Клестов С.А. Рентгеновская цифровая томография для диагностики элементов радиоэлектронной аппаратуры / Инноватика-2023. Сб. материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых. Томск, 2023. С. 229—231.
  18. Миникаев Р.Р., Клестов С.А. Разработка математической модели и программного обеспечения для дефектоскопии снимков интеллектуального рентгеновского 3d микротомографа на основе нейро-нечеткого метода анализа, диагностики и классификации дефектов радиоэлектронной аппаратуры / Инноватика-2022. Сб. материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых. Томск, 2022. С. 184—187.
  19. Davis J., Goadrich M. The relationship between Precision-Recall and ROC curves / Proceedings of the 23rd international conference on Machine learning. 2006. P. 233—240.
  20. Venkataraman P. Image denoising using convolutional autoencoder // arXiv preprint arXiv:2207.11771. 2022.
  21. Baldi P. Autoencoders, unsupervised learning, and deep architectures / Proceedings of ICML workshop on unsupervised and transfer learning. JMLR Workshop and Conference Proceedings. 2012. P. 37—49.
  22. Kim J., Ko J., Choi H., Kim H. Printed circuit board defect detection using deep learning via a skip-connected convolutional autoencoder // Sensors. 2021. V. 21. No. 15. P. 4968.
  23. Zhao G., Liu J., Jiang J., Guan H., Wen J.R. Skip-connected deep convolutional autoencoder for restoration of document images / 2018 24th International Conference on Pattern Recognition (ICPR). 2018. P. 2935—2940.
  24. Keras. URL: https://keras.io/
  25. Документ № 2024663941. Программа для фильтрации изображений на основе нейросетевых алгоритмов для диагностики печатных плат и РЭА (ПЭВМ).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».