Detecção de defeitos de fabricação em placas de circuito impresso utilizando técnicas de aprendizado profundo

Abstract

Detectar defeitos na fabricação de placas de circuito impresso é essencial para o controle de qualidade de equipamentos eletrônicos. À medida que novas tecnologias são desenvolvidas, as placas de circuito impresso estão se tornando cada vez mais sofisticadas e delicadas (HU; WANG, 2020), e, por conta disso, métodos tradicionais de detecção, como a inspeção humana e ferramentas simples de processamento de imagem, têm se apresentado ineficientes. Dessa forma, propõe-se nesse trabalho o uso de técnicas de aprendizado profundo para a realização dessa tarefa. Utilizou-se o conjunto de dados HRIPCB, disponível de forma pública, para treinamento e avaliação. O sistema desenvolvido emprega a rede neural YOLO em sua quarta versão e apresenta mean Average Precision (mAP) de 98,44% para as seis classes de defeitos avaliadas, resultado que o coloca entre os melhores disponíveis na literatura pesquisada. Além da rede neural, este trabalho apresenta o desenvolvimento de uma interface web, que permite a interação do usuário através de uma página em que uma imagem é carregada e os resultados de detecção de defeitos são apresentados. Esta interface emprega o framework Flask e pode ser instalada em computadores desktop ou servidores.

Printed Circuit Board defect detection is essential for quality control of manufactured electronics. With technogical development, printed circuit boards are becoming in- creasingly sophisticated and delicate (HU; WANG, 2020), where traditional methods of detection, such as human inspection and simple image processing, have been shown inefficient. Thus, it is proposed deep learning techniques to extract board defects. The public dataset HRIPCB was used for training and evaluation. The developed system uses the neural network YOLO in its fourth version and presents mean Average Pre- cision (mAP) of 98.44% for the six classes of defects evaluated, a result that places it among the best available in the researched literature. In addition to training the neural network, this work presents the development of a web interface, which allows user interaction through a page where an image is loaded and the results of defect detection are presented. This interface employs the Flask framework and can be installed on desktop computers or servers.