informИнформатикаInformatics1816-03012617-6963UIIP NASB10.37661/1816-0301-2024-21-3-63-79inform-1308Research ArticleИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫINTELLIGENT SYSTEMSГибридный контроль дефектов печатных платHybrid inspection of printed board defectsВенгеренкоВ. В.VengerenkoV. V.

Венгеренко Вадим Владимирович, магистр, младший научный сотрудник лаборатории идентификации систем

ул. Сурганова, 6, Минск, 220012

Vadim V. Vengerenko, Master, Junior Researcher of the Laboratory of System Identification

st. Surganova, 6, Minsk, 220012

vengerenko@lsi.bas-net.byИнютинА. В.InyutinA. V.

Инютин Александр Владимирович, заведующий лабораторией идентификации систем

ул. Сурганова, 6, Минск, 220012

Alexander V. Inyutin, Head of the Laboratory of System Identification

st. Surganova, 6, Minsk, 220012

avin@newman.bas-net.byОбъединенный институт проблем информатики Национальной академии наук БеларусиThe United Institute of Informatics Problems of the National Academy of Sciences of Belarus2024300920242136379Copyright © Венгеренко В.В., Инютин А.В., 20242024Венгеренко В.В., Инютин А.В.Vengerenko V.V., Inyutin A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/1308Цели

Цели. Предлагается гибридный подход к задаче поиска и классификации дефектов печатных плат. Рассмотрены ключевые факторы и тенденции в проектировании и производстве печатных плат. Актуальность исследования определяется использованием новых материалов и технологий производства.

Методы

Методы. Для решения поставленной задачи применяется гибридный подход, основанный на алгоритме сравнения с эталоном и использовании семейства нейросетевых моделей обнаружения объектов YOLO.

Результаты

Результаты. Проведено обучение моделей на публичных наборах изображений печатных плат с шестью классами дефектов, выполнена оценка точности общепринятыми метриками.

Заключение

Заключение. Эксперименты показали, что нейросетевая архитектура YOLOv8 имеет высокую точность детекции дефектов, низкую чувствительность к качеству изображений, наличию надписей и графических объектов на печатной плате, но низкое качество обучающих выборок накладывает ограничения на использование только нейронных сетей для поиска дефектов. Предлагается гибридный подход для повышения качества контроля дефектов за счет применения разных методов в зависимости от оценки качества анализируемых изображений.

Objectives

Objectives. A hybrid approach to the problem of searching and classifying defects in printed circuit boards (PCB) is proposed. Key factors and trends in the design and production of PCBs are considered. The relevance of the study is determined by the use of new materials and production technologies.

Methods

Methods. A hybrid approach based on the algorithm of comparison with reference and the use of the YOLO family of neural network models for detecting objects is used to solve the problem.

Results

Results. Models were trained on public sets of PCB images with six classes of defects, and their accuracy was assessed using generally accepted metrics.

Conclusion

Conclusion. Experiments have shown that the YOLOv8 neural network architecture has high accuracy of defect detection, low sensitivity to image quality, presence of text and graphic objects on the PCB, but the low quality of training datasets imposes restrictions on the use of only neural networks for defect detection. It is proposed to use a hybrid approach to improve the quality of defect inspection by applying different methods depending on the quality assessment of the analyzed images.

математическая морфологияконтроль дефектовпечатные платыдетекторы объектовограничивающие прямоугольникинейронные сетисравнение с эталономmathematical morphologyinspection of defectsprinted circuit boardsobject detectionbounding boxesneural networkscomparison with referenceReferencesКарпов, С. Прецизионный контроль печатных плат. Что это? / С. Карпов // Технологии в электронной промышленности. – 2008. – № 7. – С. 37–40.Karpov S. Precision testing of printed circuit boards. What is it? Tehnologii v jelektronnoj promyshlennosti [Technologies in the Electronics Industry], 2008, no. 7, рр. 37–40 (In Russ.).A GMR–ECT based embedded solution for applications on PCB inspections / M. Cacciola [et al.] // Sensors and Actuators A: Physical. – 2011. – Vol. 167, iss. 1. – P. 25–33.Cacciola M., Megali G., Pellicanó D., Morabito F. C. A GMR–ECT based embedded solution for applications on PCB inspections. Sensors and Actuators A: Physical, 2011, vol. 167, iss. 1, рр. 25–33.A survey on industrial vision systems, applications and tools / E. N. Malamas [et al.] // Image and Vision Computing. – 2003. – Vol. 21, iss. 2. – P. 171–188.Malamas E. N., Petrakis E., Zervakis M., Petit L., Legat J. A survey on industrial vision systems, applications and tools. Image and Vision Computing, 2003, vol. 21, iss. 2, рр. 171–188.Interpretation of texture changes during self-annealing of electroplated copper / W. Q. Zhang [et al.] // Microelectronic Engineering. – 2010. – Vol. 87, iss. 12. – P. 2488–2494.Zhang W. Q., Li A. D., Ma G. B., Yin K. B., Xia Y. D., …, Yee K. W. Interpretation of texture changes during self-annealing of electroplated copper. Microelectronic Engineering, 2010, vol. 87, iss. 12, рр. 2488–2494.Lehmann, D. 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 / D. K. Lehmann // Circuits Assembly. – 2002. – Vol. 13, iss. 2. – P. 35–40.Lehmann D. 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. Circuits Assembly, 2002, vol. 13, iss. 2, рр. 35–40.Левданский, А. Оптический и рентгеновский контроль печатных плат при помощи одной системы / А. Левданский // Технологии в электронной промышленности. – 2005. – № 6. – С. 52–54.Levdanskij A. Optical and X-ray inspection of printed circuit boards using one system. Tehnologii v jelektronnoj promyshlennosti [Technologies in the Electronics Industry], 2005, no. 6, рр. 52–54 (In Russ.).Ebayyeh, A. A. R. Abu. A review and analysis of automatic optical inspection and quality monitoring methods in electronics industry / A. A. R. Abu Ebayyeh, A. Mousavi // IEEE Access. – 2020. – Vol. 8. – Р. 183192–183271.Ebayyeh A. A. R. Abu, Mousavi A. A review and analysis of automatic optical inspection and quality monitoring methods in electronics industry. IEEE Access, 2020, vol. 8, рр. 183192–183271.Дудкин, А. А. Техника поиска дефектов и контроля проектных норм на изображении слоев печатных плат / А. А. Дудкин, А. В. Инютин // Искусственный интеллект. – 2006. – № 3. – C. 584–591.Dudkin A. A., Inyutin A. V. Techniques for detecting defects and checking design standards on the image of printed circuit board layers. Iskusstvennyj intellekt [Artificial Intelligence], 2006, no. 3, рр. 584–591 (In Russ.).Amjoud, A. B. Object detection using deep learning, CNNs and vision transformers: A review / A. B. Amjoud, M. Amrouch // IEEE Access. – 2023. – Vol. 11. – P. 35479–35516.Amjoud A. B., Amrouch M. Object detection using deep learning, CNNs and vision transformers: A review. IEEE Access, 2023, vol. 11, рр. 35479–35516.

The authors declare that there are no conflicts of interest present.