ĐÁNH GIÁ CÁC THUẬT TOÁN PHÁT HIỆN LỖI BẢNG MẠCH IN  DỰA TRÊN FASTER R-CNN VÀ YOLOV8

Phạm Thu Hà; Lương Văn Bằng; Lê Hoàng Phúc; Tạ Chí Hiếu; Đào Thị Ngà

doi:10.34238/tnu-jst.11949

ĐÁNH GIÁ CÁC THUẬT TOÁN PHÁT HIỆN LỖI BẢNG MẠCH IN DỰA TRÊN FASTER R-CNN VÀ YOLOV8

Thông tin bài báo

Ngày nhận bài: 24/01/25 Ngày hoàn thiện: 19/03/25 Ngày đăng: 19/03/25

Các tác giả

1. Phạm Thu Hà, Trường Đại học Kỹ thuật Lê Quý Đôn
2. Lương Văn Bằng, Trường Đại học Kỹ thuật Lê Quý Đôn
3. Lê Hoàng Phúc, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Tạ Chí Hiếu, Trường Đại học Kỹ thuật Lê Quý Đôn
5. Đào Thị Ngà , Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Phát hiện lỗi bảng mạch in là một trong những nhiệm vụ quan trọng để bảo đảm chất lượng của các thiết bị điện tử, đặc biệt khi kích thước bảng mạch in ngày càng nhỏ gọn dẫn đến những yêu cầu ngày càng cao về độ chính xác và tốc độ trong sản xuất công nghiệp. Tuy nhiên, các phương pháp kiểm tra truyền thống gây tốn thời gian và kém hiệu quả đối với các bảng mạch in hiện đại. Trong những năm gần đây, các kỹ thuật học sâu đã chứng minh khả năng vượt trội trong việc phát hiện và phân loại lỗi bảng mạch in, mang đến một giải pháp thay thế mạnh mẽ cho các phương pháp truyền thống. Bài báo này trình bày một cải tiến mô hình cơ sở bằng cách kết hợp các kỹ thuật hiện đại để phân tích dữ liệu trong bài toán phát hiện đối tượng. Bằng việc tiếp cận riêng biệt hai mô hình Faster R-CNN và YOLOv8, chúng tôi đã thử nghiệm và so sánh hiệu suất của hai mô hình. Kết quả thí nghiệm cho thấy Faster R-CNN có ưu thế về độ chính xác (Faster R-CNN - 99,6%; YOLOv8 – 95%), trong khi YOLOv8 nổi bật về tốc độ (Faster R-CNN – 1,37s/khung hình; YOLOv8 – 0,26s/khung hình).

Từ khóa

Học sâu; Thị giác máy tính; Faster R-CNN và YOLOv8; Phát hiện lỗi; Bảng mạch in

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] Q. Zhang and H. Liu, “Multi-scale defect detection of printed circuit board based on feature pyramid network,” in IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA), 2021, pp. 911-914.

[2] H. Suzuki, “Printed Circuit Board,” Official Gazette of the United States Patent and Trademark Office, U.S. Patent 4,640,866, Mar. 16, 1987.

[3] H. S. Cho, “Printed Circuit Board,” Samsung Electro Mechanics Co., Ltd. Official Gazette of the United States Patent and Trademark, U.S. Patent 8,159,824, Mar. 16, 2012.

[4] M. X. Zhao, Z. Wang, and Y. Wu, "A Dataset for Deep Learning Based Detection of Printed Circuit Board Defects," Sci. Data, vol. 11, no. 1, pp. 1–8, 2024, doi: 10.1038/s41597-024-03656-8.

[5] D. B. Anitha and M. Rao, “A survey on defect detection in bare PCB and assembled PCB using image processing techniques,” in Proc. Int. Conf. Wireless Commun., Signal Process. Netw. (WiSPNET), Mar. 2017, pp. 39–43.

[6] V. A. Adibhatla, “Applying deep learning to defect detection in printed circuit boards via a newest model of you-only-look-once,” Mathematical Biosciences and Engineering, vol. 18, no. 4, pp. 4411-4428, 2021.

[7] W. Chen, Z. Huang, Q. Mu, and Y. Sun, "PCB defect detection method based on transformer-YOLO," IEEE Access, vol. 10, pp. 129480–129489, 2022, doi: 10.1109/ACCESS.2022.3228206.

[8] W. Liu and Y. Zhang, "Real-time PCB defect detection using SSD for industrial applications," J. Electron. Imaging, vol. 29, no. 2, 2020, Art. no. 023005, doi: 10.1117/1.JEI.29.2.023005.

[9] B. Hu and J. Wang, "Detection of PCB Surface Defects with Improved Faster-RCNN and Feature Pyramid Networks,” in IEEE Access, vol. 8, pp. 108335-108345, 2020.

[10] F. Fan, B. Wang, G. Zhu, and J. Wu, "Efficient Faster R-CNN: Used in PCB solder joint defects and components detection," in Proc. IEEE 4th Int. Conf. Comput. Commun. Eng. Technol. (CCET), Beijing, China, 2021, pp. 1–5, doi: 10.1109/CCET52649.2021.9544356.

[11] H. Xu and W. Wang, "Defect detection in PCB manufacturing using R-FCN-based deep learning model," IEEE Access, vol. 9, pp. 123567-123577, 2021, doi: 10.1109/ACCESS.2021.3112345.

[12] Y. Long, Z. Li, Y. Cai, R. Zhang, and K. Shen, “PCB defect detection algorithm based on improved YOLOv8,” Academ. J. Sci. Technol., vol. 7, no. 3, pp. 297–304, 2023, doi: 10.54097/ajst.v7i3.13420.

[13] RangeKing, "Brief summary of YOLOv8 model structure," GitHub, Jan. 10, 2023. [Online]. Available: https://github.com/ultralytics/ultralytics/issues/189. [Accessed Jan. 17, 2025].

[14] TigerZ, "Target detection algorithm - YOLOV8 - algorithm details," CSDN, March. 2, 2023.

[15] Z. Xiong, "A Design of Bare Printed Circuit Board Defect Detection System Based on YOLOv8," Highlights in Science, Engineering and Technology, vol. 57, pp. 203-209, Jul. 2023.

[16] P. Huang and P. Wei, “A PCB dataset for defects detection and classification,” arXiv preprint arXiv:1901.08204, 2019.

[17] R. Ding, L. Dai, G. Li, and H. Liu, "TDD-net: a tiny defect detection network for printed circuit boards," CAAI Transactions on Intelligence Technology, vol. 4, no. 2, pp. 110-116, Jun. 2019, doi: 10.1049/trit.2019.0019.

[18] P. V. Viet, "A combination of Faster R-CNN and YOLOv2 for drone detection in images," TNU Journal of Science and Technology, vol. 226, no. 06, pp. 90–96, May 2021.

DOI: https://doi.org/10.34238/tnu-jst.11949

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ