Detecção de defeitos em componentes de placa de circuito impresso com aprendizado profundo

Abstract

Montagens de Placas de Circuito Impresso – Printed Circuit Board Assemblies (PCBAs) são uma etapa crítica na fabricação de produtos eletrônicos, onde mesmo pequenos defeitos podem levar a falhas significativas no produto final. Embora diversas soluções tenham sido realizadas sobre inspeção de defeitos em nível de superfície para Placas de Circuito Impresso, há uma lacuna notável em estudos e metodologias voltadas especificamente para a detecção de defeitos em componentes durante a montagem das placas com técnicas de aprendizado profundo. A detecção precisa e a localização exata de defeitos são essenciais para garantir a qualidade do produto, pois as placas apresentam desafios mais complexos devido à sua estrutura tridimensional e à variedade de componentes. Este trabalho aborda essa lacuna, propondo uma nova metodologia que utiliza detecção de objetos com YOLOv11, aprimorada com uma arquitetura personalizada que integra o mecanismo de Atenção com Embaralhamento para melhorar a detecção de defeitos. O modelo proposto foi desenvolvido com um conjunto de dados reais de uma instalação de fabricação de eletrônicos em larga escala, sendo capaz de detectar e localizar defeitos de forma eficaz em diversos componentes. Os resultados demonstram a eficiência dessa abordagem na identificação e localização de defeitos em PCBAs, atingindo uma precisão de 96, 93% e um tempo de inferência de apenas 2,20 ms, contribuindo significativamente para avanços no controle de qualidade automatizado na fabricação de eletrônicos em grande escala

Printed Circuit Board Assemblies (PCBAs) are a critical stage in the manufacturing of electronic products, where even minor defects can lead to significant failures in the final product. While numerous solutions have been developed for surface-level defect inspection in Printed Circuit Boards, there is a notable gap in studies and methodologies specifically focused on detecting component defects in PCBA using deep learning techniques. Accurate detection and precise localization of defects are essential to ensuring product quality, as PCBAs pose more complex challenges due to their threedimensional structure and the variety of components. This work addresses this gap by proposing a new methodology that leverages object detection with YOLOv11, enhanced with a custom architecture that integrates Shuffle Attention to improve defect detection. The proposed model was developed and validated in a real-world environment dataset within a large-scale electronics manufacturing facility, where it effectively detects and locates defects across various components. The results demonstrate the effectiveness of this approach in identifying and localizing defects in PCBAs, achieving an accuracy of 96, 9% and an inference time of just 2,2 ms, significantly contributing to advancements in automated quality control for large-scale electronics manufacturing.