Огляд і порівняння моделей нейронних мереж для діагностування та контролю якості у виробництві печатних плат

Анотація

Розглянуто сучасні підходи до виявлення дефектів друкованих плат на основі нейронних мереж, зокрема згорткових нейронних мереж (CNN). Проблема контролю якості у виробництві друкованих плат (PCB) є надзвичайно актуальною, оскільки навіть незначні дефекти можуть спричинити повну несправність електронних пристроїв. Традиційні методи, такі як візуальний контроль або оптична інспекція, мають обмеження в точності та вимагають дорогого обладнання. Натомість, моделі CNN, завдяки здатності до автоматичного виділення ознак і високої точності при роботі із зображеннями, відкривають нові можливості для автоматизованого контролю якості.

Особливу увагу приділено моделі YOLO (You Only Look Once), яка забезпечує обробку зображень у реальному часі з високою швидкістю. Модифікації YOLO, такі як YOLOv8, YOLO-RRL та LW-YOLO, демонструють баланс між точністю, продуктивністю та низькими вимогами до обчислювальних ресурсів. Наприклад, LW-YOLO досягає точності 97,1 % при 141,5 FPS, що ро-бить її придатною для використання на виробничих лініях.

Проведено порівняння інших моделей CNN, таких як LeNet-5, AlexNet, VGGNet, GoogLeNet (Inception), ResNet, DenseNet, MobileNet та EfficientNet. Кожна із моделей має власні переваги залежно від задач — це глибина, швидкість, споживання ресурсів, здатність працювати з малими об’єктами та стійкість до перешкод. Наприклад, ResNet здатна ефективно навчатися навіть у дуже глибоких архітектурах, тоді як EfficientNet оптимізовано для балансу між продуктивністю та точністю.

Розглянуто методологію застосування нейронних мереж у контролі якості: від підготовки та розмітки даних, попередньої обробки зображень, вибору архітектури моделі, до навчання, тестування та впровадження у виробничі лінії. Наведено формальні критерії вибору моделі з урахуванням специфіки галузі, а саме: точність виявлення дефектів, швидкість обробки, робота з дрібними деталями, стійкість до шуму, адаптивність, масштабованість, ефективність використання ресурсів, надійність і вартість впровадження.

YOLO, завдяки своїй швидкості та універсальності, займає провідне місце у завданнях виявлення дефектів у реальному часі. Її здатність обробляти зображення цілісно та визначати координати дефектів дозволяє ефективно виявляти проблеми навіть на складних багатошарових платах. Індустріальні модифікації, такі як LW-YOLO або YOLO-RRL, дозволяють масштабувати рішення під конкретні обмеження обладнання та виробничі потреби.

У результаті дослідження зроблено висновок, що CNN-моделі, зокрема LW-YOLO та YOLOv8, є найбільш оптимальними для використання в завданнях контролю якості друкованих плат. Подальші дослідження у цій сфері мають важливе значення для забезпечення ще більшої точності та ефективності виробничих процесів у майбутньому.