Tietokonenäköön perustuva piirilevypoikkeamien tunnistusjärjestelmä

Tekijät: Yang Yuxue, Lin Weiyang, Wang Bo, Li Huiming

Abstrakti

Reunalaskennalle asennettujen piirilevyjen (PCB) vikojen havaitsemiseen liittyvien korkeiden laskentakustannusten ja heikon sopeutumiskyvyn haasteiden ratkaisemiseksi monimutkaisissa ympäristöissä ehdotetaan kevyttä automaattista reunalaskennalle käyttöönottoa varten suunniteltua tunnistusjärjestelmää. Järjestelmä perustuu YOLOv8n-arkkitehtuuriin, joka integroi siirto-oppimisen, mallin karsinnan ja tiedon tislaustekniikat mallin monimutkaisuuden merkittäväksi vähentämiseksi ja sopeutumiskyvyn parantamiseksi pieniin otoksiin ja resurssirajoitteisiin ympäristöihin. Järjestelmä pystyy käsittelemään äärimmäisiä olosuhteita reunalaskennalla tapahtuvassa videokuvauksessa, kuten vaihtelevaa valaistusta, kuljettimen tärinää, matalaa kontrastia ja linssin peittymistä, ja sen toimintakyky on vahva. Julkisella piirilevyvika-aineistolla tehdyt kokeet osoittavat, että ehdotettu järjestelmä ylittää olemassa olevat valtavirran mallit tunnistustarkkuuden ja päättelynopeuden suhteen, erityisesti osoittaen erinomaista kestävyys ja käytännön arvoa reaaliaikaisissa reunalaskennatilanteissa. Lisäksi PySide6:lla kehitetty graafinen käyttöliittymä (GUI) varmistaa järjestelmän käyttöönoton ja käytännöllisyyden teollisuusympäristöissä, tarjoten tehokkaan ratkaisun tehokkaan, vakaan ja vähän virtaa kuluttavan reunalaskennallisen näkötunnistuksen saavuttamiseksi lupaavilla sovellusmahdollisuuksilla.

Avainsanat: Esineiden internet (IoT); piirilevyvirheiden havaitseminen; konenäkö; YOLOv8; reunalaite; PySide6

0. Johdanto

Elektroniikkatuotteiden välttämättömänä peruskomponenttina piirilevyjen (PCB) valmistuksen laatu vaikuttaa suoraan koko järjestelmän suorituskykyyn ja toimintavarmuuteen. Piirilevyjen vikojen havaitsemisen tavoitteena on tunnistaa mahdolliset viat valmistusprosessin aikana nopeasti ja tarkasti, mikä toimii keskeisenä laadunvalvontavaiheena elektroniikkatuotannossa. Käytännön teollisuusympäristöissä piirilevyvioilla on kuitenkin monimutkaisia ​​ominaisuuksia, kuten erilaisia ​​tyyppejä, pieniä mittakaavoja ja epävarmoja alueellisia jakaumia. Perinteiset manuaaliseen tarkastukseen tai sääntöpohjaiseen logiikkaan perustuvat havaitsemismenetelmät ovat subjektiivisia ja ominaisuuksiltaan rajallisia, minkä vuoksi ne eivät pysty täyttämään nykyaikaisia ​​teollisia vaatimuksia korkean tarkkuuden, tehokkuuden ja automaation suhteen.

Konenäkö- ja syväoppimisteknologioiden nopean kehityksen myötä kuvantunnistukseen suunnitellut konvoluutioneuroverkot (CNN) ovat saavuttaneet huomattavaa menestystä objektien tunnistustehtävissä, mikä on edistänyt piirilevyvirheiden tunnistuksen muutosta manuaalisesta ominaisuuksien erottamisesta älykkääseen ominaisuuksien oppimiseen. Valtavirran syväoppimismallit kohtaavat kuitenkin edelleen kaksi suurta haastetta teollisessa käyttöönotossa: (1) Paremman tarkkuuden saavuttamiseksi mallien on usein tultava yhä monimutkaisempia, mikä johtaa korkeisiin laskentakustannuksiin ja hitaisiin päättelynopeuksiin, mikä haittaa reaaliaikaista tunnistusta resurssirajoitteisilla reunakoneilla; (2) Piirilevyvirheille spesifisten koulutusnäytteiden niukkuuden vuoksi pienillä tietojoukoilla koulutetut mallit ovat alttiita ylisovitukselle, mikä heikentää yleistyssuorituskykyä. Lisäksi, toisin kuin yleisissä objektien tunnistustehtävissä, piirilevyvirheiden tunnistukselle on ominaista hienojakoiset kohteet, heikot semanttiset vihjeet ja voimakas taustakohina, mikä asettaa tiukempia vaatimuksia mallin vankuudelle ja käyttöönottokelpoisuudelle.

Näiden haasteiden ratkaisemiseksi tässä tutkimuksessa suunnitellaan ja toteutetaan kevyt ja erittäin vankka piirilevyvirheiden tunnistusjärjestelmä reunalaskentaympäristöihin. Tarkemmin sanottuna järjestelmä perustuu YOLOv8n-kehykseen, hyödyntäen sen kompaktia rakennetta ja tehokasta päättelykykyä laskentakustannusten merkittäväksi vähentämiseksi. Mallin koulutuksen aikana käytetään siirto-oppimista siirtääkseen laaja-alaisilla yleisillä tietojoukoilla esikoulutetut visuaaliset ominaisuudet piirilevyvirheiden tunnistustehtävään, mikä helpottaa pienten otosten oppimisen vaikeutta. Lisäksi otetaan käyttöön mallin karsinta ja tiedon tislaus tunnistusmallin arkkitehtuurin optimoimiseksi, sen parametriskaalan supistamiseksi sekä käyttöönoton tehokkuuden ja vakauden parantamiseksi reunalla olevissa laitteissa. Teollisuuden videokuvauksen haasteiden, kuten muuttuvan valaistuksen, liikkeen epäterävyyden ja ruudun menetyksen, ratkaisemiseksi järjestelmä integroi vankan ruudun esikäsittely- ja ruututason ennustuksen vakautusmoduulin, mikä parantaa luotettavuutta järjestelmätason näkökulmasta. Lopuksi kehitetään PySide6-pohjainen graafinen käyttöliittymä (GUI), joka tarjoaa intuitiivisen ja käyttäjäystävällisen kokemuksen ja yksinkertaistaa toiminnan työnkulkua.

Tässä artikkelissa esitetty tutkimus tarjoaa käytännöllisen ratkaisun piirilevyvikojen havaitsemiseen resurssirajoitteisissa reunalaskentilaitteissa ja antaa uusia näkemyksiä mallien keventämisestä ja kestävyysoptimoinnista pienten otoskokeissa.

1. Liittyvät työt

Elektronisen järjestelmän erilaisten elektronisten elementtien kuljettamiseen ja liittämiseen olennaisena osana piirilevyn (PCB) valmistuslaatu vaikuttaa suoraan tuotteen suorituskykyyn, vakauteen ja luotettavuuteen. Piirilevyjen korkean integrointitason, rakenteellisen monimutkaisuuden ja tiheän johdotuksen vuoksi valmistuksen aikana esiintyy usein pieniä mutta kriittisiä vikoja, kuten avoimia piirejä, oikosulkuja, puuttuvia juotoksia, virhejuotoksia ja purseita. Tuotteen saannon ja yhdenmukaisuuden varmistamiseksi tuotantoprosessissa on otettava käyttöön tehokkaita ja tarkkoja vianilmaisumenetelmiä.

Perinteisiin tarkastusmenetelmiin kuuluvat pääasiassa manuaalinen visuaalinen tarkastus ja sähköinen testaus. Manuaalinen tarkastus on kuitenkin erittäin riippuvainen ihmisen kokemuksesta ja subjektiivisesta harkinnasta, mikä johtaa alhaiseen tehokkuuteen ja epäjohdonmukaisuuteen. Vaikka sähköinen testaus voi havaita tiettyjä toiminnallisia vikoja, se on vähemmän tehokas pienten tai ei-toiminnallisten pintavikojen tunnistamisessa. Sitä vastoin konenäköön perustuvat rikkomattomat, kosketuksettomat automatisoidut tarkastusmenetelmät tarjoavat käyttökelpoisen lähestymistavan piirilevyjen pintavikojen tunnistamiseen ja niistä on tullut merkittävä tutkimuskohde teollisuuden alalla.

Toisin kuin yleisissä kuvien luokittelu- ja objektien tunnistustehtävissä, piirilevyjen vikojen tunnistuksessa on useita ainutlaatuisia haasteita: 

(1) Tiedon niukkuus ja merkitsemisvaikeudet

Piirilevyjen vikatietojen hankkiminen ja merkitseminen on kallista, ja vika-alueet ovat usein pieniä ja vaikeasti paikannettavia tarkasti. Laajojen ja korkealaatuisten julkisten tietojoukkojen puute rajoittaa merkittävästi syväoppimismallien koulutussuorituskykyä.

(2) Näytteen laatu ja vaihtelu

Vika-alueilla on usein alhainen kontrasti ja heikko silmiinpistävyys tausta-alueisiin verrattuna, mikä tekee niistä mallien kannalta vaikeita erottaa niitä. Lisäksi viat ovat monimuotoisia ja epäsäännöllisiä, ja useimmat nykyiset annotointimenetelmät käyttävät "yksi kuva, yksi luokka" -lähestymistapaa, joka ei pysty kuvaamaan "useiden vikojen kuvaa kohden" todellista monimutkaisuutta teollisissa yhteyksissä, mikä johtaa virheellisiin havaintoihin ja havaitsematta jääneisiin tuloksiin.

(3) Tarkkuuden ja käyttöönottotehokkuuden välinen kompromissi

Vaikka syväoppimismallit ovat parantaneet huomattavasti havaitsemistarkkuutta, niiden korkea laskennallinen monimutkaisuus ja päättelylatenssi tekevät niistä vaikeasti käyttöönotettavia reunalaskentalaitteisiin, joissa on rajalliset resurssit. Havaitsemistarkkuuden, päättelynopeuden ja resurssien kulutuksen välisen tasapainon saavuttaminen on edelleen yksi nykyisen tutkimuksen suurimmista haasteista.

Viime vuosina syväoppimista on sovellettu laajalti teolliseen konenäkötarkastukseen. Valtavirran objektien tunnistusmallit jakautuvat kahteen luokkaan: kaksivaiheiset ilmaisimet, kuten Faster R-CNN ^{[ 1 ]} ja Mask R-CNN ^{[ 2 ]} , sekä yksivaiheiset ilmaisimet, kuten YOLO ^{[ 3 ]} ja SSD ^{[ 4 ]} . Ensimmäinen saavuttaa suuremman tarkkuuden, mutta sillä on monimutkainen arkkitehtuuri ja suuret laskentakustannukset, mikä tekee siitä vähemmän sopivan teolliseen käyttöön; jälkimmäinen on kompaktimpi ja nopeampi, ja siten paremmin reaaliaikaisiin skenaarioihin.

Aiemmissa töissä on sovellettu YOLO-perhettä piirilevyjen vikojen havaitsemiseen ja tutkittu parempia nopeus-tarkkuus-kompromisseja. Esimerkiksi YOLOv5:een lisättiin monihaarainen huomiokyky pienten vikojen havaitsemisen parantamiseksi ^{[ 5 ]} ; YOLOv4:ään lisättiin globaali pitkän kantaman huomiokykymoduuli pienten vikojen herkkyyden parantamiseksi ^{[ 6 ]} ; ja kevyttä käyttöönottoa varten tehtyä karsimista/rakenteellista optimointia on tutkittu laajasti ^{[ 7 ] [ 8 ]} .

Yhteenvetona voidaan todeta, että vaikka olemassa oleva tutkimus on edistynyt mallien suorituskyvyn parantamisessa ja kevyen käyttöönoton saavuttamisessa, ongelmia, kuten suuri mallikoko, korkeat laskentakustannukset ja riittämätön reaaliaikainen vasteaika, on edelleen olemassa. Jotta voidaan vastata tehokkaan piirilevyvirheiden havaitsemisen kysyntään resurssirajoitteisissa ympäristöissä, on kiireellisesti kehitettävä uusi havaitsemiskehys, joka saavuttaa hyvän tasapainon havaitsemistarkkuuden, päättelynopeuden ja mallin monimutkaisuuden välillä ja edistää sen laajempaa soveltamista teollisissa reunalaskennan skenaarioissa.

2. Järjestelmän suunnittelu ja toteutus

2.1 Pienten otosten käsittely ja mallien kevytpainotus

Piirilevyjen vikojen tunnistuksessa datan niukkuus on keskeinen syväoppimisen suorituskykyä rajoittava tekijä. Korkeiden annotointikustannusten ja rajallisen vikadatan vuoksi vahvan yleistyksen saavuttaminen pienillä otoksilla on tullut tärkeäksi tutkimuskohteeksi.

Tämän ongelman lieventämiseksi käytetään siirto-oppimista siirtämään laaja-alaisista lähdetehtävistä opittuja ominaisuuksia kohteen tunnistustehtävään, mikä nopeuttaa konvergenssia ja parantaa suorituskykyä pienissä otoksissa. Yleisten objektitietojoukkojen esikoulutetut YOLO-mallit voivat toimia "opettajamalleina", jotka ohjaavat "opiskelijamalleja" ja parantavat pienten vikakohteiden havaitsemista.

Kuva 1. Siirto-oppimisen periaate

Käytämme YOLOv8n:ää – YOLOv8-perheen kevyintä jäsentä ^{[ 9 ]} . Noin 3,2×10⁶ ^parametrilla ja 8,7×10⁶ ^FLOPilla se tarjoaa nopean päättelyn, joka soveltuu reunalaskennalle. Lisää tehokkuutta ja sopeutumiskykyä saavutetaan seuraavilla tavoilla: 

(1) Rakenteellinen karsinta: Karsitaan YOLOv8n-verkon redundantteja konvoluutiokerroksia ja -kanavia parametrien ja laskennan vähentämiseksi.

(2) Tiedon tiivistäminen: Rajoita kevyttä ”opiskelijamallia” tehokkaan ”opettajamallin” ohjeiden avulla, mikä parantaa havaitsemistarkkuutta.

(3) Tiedon lisäys: Säädä HSV-väriavaruuden parannusparametreja näytteen monimuotoisuuden ja mallin luotettavuuden lisäämiseksi.

Kuten kuvassa 2 on esitetty, mallin koulutusprosessi sisältää datan valmistelun, hyperparametrien konfiguroinnin, mallin koulutuksen ja arvioinnin sekä karsinnan optimoinnin. Jos mallin arviointimittarit eivät vastaa odotuksia, parametreja säädetään automaattisesti, ja koulutus ja karsinta toistetaan, kunnes tyydyttävä tunnistusteho saavutetaan.

Kuva 2 Mallin koulutusprosessi

2.2 Edge-Side-järjestelmä ja käyttöönotto

Helppokäyttöisyyden ja käyttöönoton helppouden vaatimusten täyttämiseksi todellisissa teollisuusympäristöissä suunniteltiin ja toteutettiin integroitu piirilevyvirheiden tunnistusjärjestelmä PySide6-kehyksen avulla. Järjestelmä tukee sekä kuva- että videotulotiloja, mikä tarjoaa vahvaa vuorovaikutteisuutta ja käyttäjäystävällisen käyttökokemuksen, joka soveltuu käyttöönottoon reunalla olevissa laitteissa. Järjestelmän käyttöliittymä tarjoaa seuraavat ominaisuudet: 

(1) Tuki useille syöttölähteille, mukaan lukien yksittäiset kuvat, eräkuvien kansiot ja videovirrat; 

(2) Mukautettavat tunnistusparametrit (luotettavuuskynnys, IoU-kynnys) ja näyttöasetukset (näytä luokkatunnisteet, luotettavuustasot jne.); 

(3) Havaitsemistulosten reaaliaikainen näyttö ja tallennus tietokantaan; 

(4) Laajennetut toiminnot, kuten tunnistustietojen haku ja rajaavan laatikon tietojen selaus. 

Järjestelmän tunnistusprosessi sisältää käyttöliittymän vuorovaikutuksen, syöttölähteen jäsentämisen, kuva-/videotunnistussäikeiden hallinnan ja tulosten päivittämisen. Kuten kuvassa 3 on esitetty, käyttäjän valittua syöttötyypin ja asetettua parametrit järjestelmä käynnistää automaattisesti vastaavan kuva- tai videokäsittelysäikeen suorittaakseen ruutu ruudulta -tunnistuksen ja näyttääkseen tulokset. 

Keskeisiä järjestelmätapahtumia ovat tunnistuskomentotapahtumat, kohteen päivitystapahtumat, tunnistusluettelon valintatapahtumat ja taustalla tapahtuvat säikeiden hallintatapahtumat, kuten taulukossa 1 on kuvattu.

3. Kokeelliset tulokset ja analyysi

3.1 Aineisto ja esikäsittely

^{Kokeissa käytetään Pekingin yliopiston [ 10 ]} julkaisemaa PKU-Market-PCB-aineistoa . Se on synteettisesti luotu 1 386 korkean resoluution kuvasta ja kuudesta vikatyypistä: Missing_hole (puuttuva reikä), Mouse_bite (hiiren purema), Open_circuit (avoin piiri), Short (oikosulku), Spur (haara) ja Spurious_copper (väärä kupari). Tyypillisiä aineiston vikoja on esitetty kuvassa 4.

Kuva 3 Järjestelmän havaitsemisen ajoitus

Taulukko 1. Järjestelmän tärkeimmät tapahtumat

Kuva 4 Tyypillisiä piirilevyn pinnan vikoja

Mallikoulutuksen tieteellisen validiteetin ja luotettavuuden varmistamiseksi koko aineisto jaettiin koulutus-, validointi- ja testijoukkoihin suhteessa 8:1:1. Koulutusjoukossa vikakohteet ovat suhteellisen pieniä ja harvaan jakautuneita, mikä lisää pienten kohteiden havaitsemisen ja paikantamisen vaikeutta ja asettaa korkeampia vaatimuksia havaitsemisjärjestelmälle.

Kuva 5. Harjoitusjoukon datamerkintätiedot

3.2 Mittarit

Viantunnistusmallin suorituskyvyn kattavaan arviointiin käytetään seuraavia arviointimittareita: 

(1) Tarkkuus: Mittaa oikeiden positiivisten osuuden kaikista ennustetuista positiivisista, mikä heijastaa mallin vastustuskykyä vääriä havaintoja vastaan. 

(2) Palautusprosentti: Mittaa mallin kykyä tunnistaa kaikki aidosti positiiviset näytteet, mikä heijastaa vastustuskykyä epäonnistuneille havaitsemisille. 

(3) F1-pistemäärä: Tarkkuuden ja palautuskyvyn harmoninen keskiarvo, joka heijastaa mallin yleistä havaitsemiskykyä. 

(4) mAP (keskimääräinen tarkkuus): Kaikkien luokkien keskimääräisen tarkkuuden keskiarvo, jota käytetään mallin yleisen luokittelu- ja lokalisointisuorituskyvyn arviointiin. 

Tarkkuuden, palautusprosentin, F1-pistemäärän ja mAP:n laskemiseen käytettävät kaavat ovat seuraavat: 

TP edustaa oikein luokiteltujen positiivisten näytteiden lukumäärää; FP edustaa virheellisesti positiivisiksi luokiteltujen negatiivisten näytteiden lukumäärää; FN edustaa virheellisesti negatiivisiksi luokiteltujen positiivisten näytteiden lukumäärää; c on kuvaluokkien kokonaismäärä; i on havaitsemisten lukumäärä; ja AP on yksittäisen luokan keskimääräinen tarkkuus.

3.3 Järjestelmän käyttöönotto ja moniskenaarioiden tulokset

Tunnistusjärjestelmä toimii Ubuntu 23.04 -alustalla, jossa on Intel Core i5-11400F -suoritin (12 säiettä), 16 Gt muistia ja NVIDIA GeForce RTX 3060 -näytönohjain (12 Gt VRAM). Päättelyalusta käyttää Windows 10 -käyttöjärjestelmää, jossa on Intel i7-6600U -suoritin ja 8 Gt muistia, kun taas reunalaskennan toteutus on toteutettu Beijing Newland Era Technology Co., Ltd:n valmistamalla NLE-AI800-reunalaskennan kehityslevyllä. Kuten kuvassa 6 on esitetty, tunnistusjärjestelmän käyttöliittymä tukee sekä kuva- että videotuloja, tarjoten erilaisia ​​konfiguroitavia tunnistusparametreja ja reaaliaikaisen tulosten visualisoinnin. 

Kuva 6 Vianilmaisujärjestelmän käyttöliittymä

(1) Batch Image Detection Batch detection was conducted on a folder named "img2video" containing defect images. The detection results are shown in Figure 7. The folder includes 66 defect images, and by iterating through them one by one, a total of 269 defects were detected. Users can view each defect by clicking the corresponding item in the results list, which instantly highlights the defect in the image display window. Figure 8 demonstrates how clicking on the 235th detected defect (a missing hole) allows the system to quickly locate and display the corresponding image region. 

Figure 7. Batch Folder Detection Results

(2) Video Stream Detection The system supports frame-by-frame video detection mode. As shown in Figure 9, a video composed of 50 defect images was analyzed, and 282 defects were identified. The system also supports defect localization and frame backtracking, making it suitable for quality inspection scenarios in production line camera systems. 

Figure 8. Detailed information on image defect detection results

Figure 9. Video detection results

(3) Extreme Condition Detection To evaluate the system's robustness under extreme conditions, tests were conducted on images affected by "blurring," "occlusion," and "offset." As shown in Figure 10, the system successfully identified most defects even under these challenging conditions, indicating strong environmental adaptability. 

(4) Edge Device Detection As shown in Figure 11, detection results from edge device deployment in real industrial settings demonstrate the system’s ability to identify typical defects such as short circuits, open circuits, and missing holes. The device achieves real-time performance while maintaining high accuracy, verifying the deployability of the proposed model in low-power scenarios.

3.4 Performance Evaluation

3.4.1 Evaluation of the Detection System's Model Training Results

The image size was set to 1,280×720 pixels, the batch size to 8, the number of training epochs to 300, and the initial learning rate to 0.01. As shown in Table 2, training concluded at the 206th epoch, and the optimal result was achieved at the 106th epoch. The inference time was 11.5 ms. The model achieved an average Precision of 0.98, an average Recall of 0.961, and an average mAP of 0.982 across all defect classes. Performance on Spurious_copper was slightly weaker, while Missing_hole and Short were predicted more accurately.

Figure 10. Detection results under extreme conditions

Figure 11. Edge detection results

3.4.2 Evaluation of the Detection System’s Model Prediction Results

Malliennusteiden tulokset on esitetty taulukossa 3, ja ne ovat pääpiirteittäin yhdenmukaisia ​​harjoitusvaiheen tulosten kanssa. Kuvio 12 vertaa oikein merkittyjä vikakuvia (rivit 1 ja 2) ennustettuihin vikakuviin (rivit 3 ja 4). Visualisoinnit osoittavat vahvaa kokonaissuorituskykyä, vaikka muutamia havaitsematta jääneitä havaintoja (esim. rivi 3, kuva 2) ja vääriä havaintoja (esim. rivi 4, kuva 3) esiintyykin.

3.4.3 Tunnistusjärjestelmän suorituskyvyn arviointi

Tarkkuus ja palautus ovat kaksi keskeistä luokittelun suorituskyvyn mittaria. Tarkkuus mittaa oikeiden positiivisten osuutta ennustettujen positiivisten joukossa, kun taas palautus mittaa oikein tunnistettujen oikeiden positiivisten osuutta. Kuva 13 näyttää, miten tarkkuus, palautus ja F1-pistemäärä vaihtelevat luottamuskynnyksen mukaan. Kuten kuvasta 13(a) nähdään, tarkkuus kasvaa kynnyksen mukana ja saavuttaa arvon 1,0 kaikissa luokissa kynnyksen 0,73 myötä. Tämän pisteen jälkeen palautus laskee kuitenkin jyrkästi. F1-pistemäärän perusteella luottamuskynnys 0,73 antaa parhaan kokonaissuorituskyvyn. Kuvassa 14 oleva sekaannusmatriisi visualisoi ennusteita ja osoittaa vahvaa kokonaissuorituskykyä, mutta suhteellisen heikompaa havaitsemista luokissa, joissa on hienovaraisia ​​luokkien välisiä eroja (esim. Spurious_copper ja Spur).

Taulukko 2 Mallikoulutuksen tulokset

Taulukko 3 Malliennusteiden tulokset

3.4.4 Ilmaisujärjestelmän vertaileva kokeellinen arviointi

Suorituskyvyn validoimiseksi edelleen ehdotettua mallia verrattiin Pekingin yliopiston julkisen piirilevyvikadatan valtavirran ilmaisimiin käyttäen vertailutietoja lähteestä ^{[ 11 ]} . Kuten taulukosta 4 käy ilmi, ehdotettu malli saavuttaa paremman ennustustarkkuuden ja keskimääräisen tarkkuuden (mAP) verrattuna lähtötilanteisiin.

Kuva 12. Oikein merkittyjen vikakuvien ja ennustettujen vikakuvien vertailu

Kuva 13 Järjestelmän suorituskyvyn arvioinnin tulokset

Kuva 14. Arviointitulosten visualisointi sekaannusmatriisimenetelmällä

Taulukko 4 Vertailevat kokeelliset tulokset (%)

4. Johtopäätös

Reaaliaikaisen suorituskyvyn ja resurssirajoitusten kaksoisvaatimusten ratkaisemiseksi reaaliaikaisissa laskentaympäristöissä tässä artikkelissa suunniteltiin ja toteutettiin kevyt piirilevyvirheiden tunnistusjärjestelmä YOLOv8n-pohjalta. Yhdistämällä siirto-oppimisen, mallin karsimisen ja tiedon tislaustekniikat järjestelmä vähentää merkittävästi mallin monimutkaisuutta ja parantaa tunnistustehoa pienissä otoksissa ja monimutkaisissa ympäristöissä. PySide6:lla kehitetty graafinen käyttöliittymä (GUI) mahdollistaa monimuotoisen syötteen ja vuorovaikutuksen sekä kuvien että videoiden kanssa, mikä tarjoaa erinomaisen teknisen mukautuvuuden ja käyttöönoton joustavuuden.

Julkisella tietoaineistolla tehdyt kokeet osoittavat, että ehdotettu malli on parempi kuin olemassa olevat valtavirran menetelmät havaitsemistarkkuuden, päättelynopeuden ja luotettavuuden suhteen. Se säilyttää vakauden myös haastavissa olosuhteissa, kuten peittymisen, epätarkkuuden ja laitteen tärinän aikana. Käyttöönottokokeet oikeilla reunalaitteilla vahvistavat entisestään järjestelmän toteutettavuutta pienitehoisissa ja matalan latenssin olosuhteissa, mikä korostaa sen vahvaa potentiaalia käytännön sovelluksissa ja tulevassa käyttöönotossa.

Viitteet

1. [1] REN S., HE K., GIRSHICK R. ym. Nopeampi R-CNN: Kohti reaaliaikaista objektien tunnistusta alueehdotusverkoilla. IEEE Transactions on Pattern Analysis and Machine Intelligence , 2017, 39(6): 1137–1149. ↩︎ Takaisin: [1]
2. [2] HU K., WANG B., SHEN Y., ym. Poppeliviilun virheiden tunnistusmenetelmä, joka perustuu progressiivisesti kasvavaan generatiiviseen vastustajaverkostoon ja MASK R-CNN -malliin. BioResources , 2020, 15(2): 3041–3052. ↩︎ Takaisin: [2]
3. [3] REDMON J., DIVVALA S., GIRSHICK R. ym. Katsot vain kerran: Yhtenäinen, reaaliaikainen objektien tunnistus. Julkaisussa Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition , 2016: 779–788. ↩︎ Takaisin: [3]
4. [4] LIU W., ANGUELOV D., ERHAN D. ym. SSD: Yksittäislaukaiseva monilaatikkoilmaisin. Teoksessa European Conference on Computer Vision . Springer, 2016: 21–37. ↩︎ Takaisin: [4]
5. [5] Hu Xin, Hu Shuai, Ma Lijun ym. Piirilevyvirheiden havaitsemismenetelmä, joka perustuu MBAM:n ja YOLOv5:n fuusioon. Journal of Graphics , 2024, 45(1): 47–55. ↩︎ Takaisin: [5]
6. [6] He Guozhong, Liang Yu. Piirilevyvirheiden havaitseminen konvoluutiohermoverkkojen avulla. Journal of Graphics , 2022, 43(1): 21–27. ↩︎ Takaisin: [6]
7. [7] Wu Jigang, Cheng Yuan, Shao Jun ym. Piirilevyvirheiden havaitseminen parannetun YOLOv4-algoritmin avulla. Journal of Instrument and Instrumentation , 2021(10): 171–178. ↩︎ Takaisin: [7]
8. [8] Su Jia, Jia Xinyu, Hou Weimin. YOLO-J:hen perustuva piirilevyvirheiden havaitsemisalgoritmi. Computer Integrated Manufacturing Systems , 2024, 33(11): 3984–3998. ↩︎ Takaisin: [8]
9. [9] GLENN J. YOLOv8 [Verkossa]. Luettu 16.4.2025. GitHub: ultralytics/ultralytics. ↩︎ Takaisin: [9]
10. [10] Pekingin yliopiston älykkään robotiikan laboratorio. PKU-Market-PCB-aineisto [Verkossa]. Luettu 16.4.2025. ↩︎ Takaisin: [10]
11. [11] Yan Shu, Guo Ying, Huang Jun. FCM-YOLO: Piirilevyvirheiden havaitsemismenetelmä, joka perustuu ominaisuuksien parantamiseen ja moniskaalaiseen fuusioon. Control and Decision , 2024, 39(10): 3181–3189. ↩︎ Takaisin: [11]