студент
Москва, г. Москва и Московская область, Россия
студент
Альметьевск, Республика Татарстан, Россия
Москва, г. Москва и Московская область, Россия
УДК 621.3 Электротехника
УДК 004.032.26 Нейронные сети
Рассматривается разработка модели на основе нейросети YOLOv8x для автоматизированного выявления дефектов на печатных платах. Цель: обучение нейросети, способной эффективно обнаруживать и классифицировать различные виды дефектов на печатных платах. Методы: использовался метод глубокого обучения, основанный на архитектуре YOLOv8x, предназначенной для задач детектирования объектов. Для оценки эффективности модели проводился анализ метрик точности и потерь. Результаты: показывают, что обученная модель демонстрирует высокую точность в классификации дефектов, таких как незапаянное посадочное место (missing_hole), короткое замыкание (short) и ложная печатная дорожка (spurious_copper), достигая точности 1,0. Классы «разомкнутая печатная дорожка» (open_circuit) и «выступ меди» (spur) также показывают удовлетворительные результаты, однако класс «нарушение целостности печатной дорожки» (mouse_bite) требует дальнейшего улучшения. Практическая значимость: заключается в возможности применения разработанной модели для автоматизации процессов контроля качества печатных плат, что может значительно повысить надежность электронных изделий и снизить вероятность отказов в критически важных системах.
печатная плата, дефекты, нейросетевая классификация, нейросетевая модель YOLOv8x
1. Данилова Е. А. Классификация дефектов печатных плат // Труды Международного симпозиума «Надежность и качество» (Пенза, Россия, 27 мая — 03 июня 2013 г.): в 2 т. Пенза: Пензенский гос. ун-т, 2013. Т. 1. С. 325–328.
2. Данилова Е. А., Кочегаров И. И., Трусов В. А. Модели технологических дефектов проводящего рисунка печатных плат // Надежность и качество сложных систем. 2017. № 2 (18). С. 68–76. DOI:https://doi.org/10.21685/2307-4205-2017-2-10. EDN: https://elibrary.ru/YPTJLV
3. Складнова М. С. Методы контроля печатных плат // Colloquium-journal. 2019. № 25-2 (49). С. 95–97. DOI:https://doi.org/10.24411/2520-6990-2019-10882. EDN: https://elibrary.ru/TZVWYP
4. Ксенофонтов В. В. Нейронные сети // Проблемы науки. 2020. № 11 (59). С. 28–29. EDN: https://elibrary.ru/DTVJNS
5. Smith R. G., Eckroth J. Building AI Applications: Yesterday, Today, and Tomorrow // AI Magazine. 2017. Vol. 38, No. 1. Pp. 6–22. DOI:https://doi.org/10.1609/aimag.v38i1.2709.
6. Yağcı B. E., Demirsoy G., Akpolat A. N. General Overview of Artificial Neural Network Applications in Renewable Energy Systems // Turkish Journal of Electromechanics and Energy. 2024. Vol. 9, No. 3. Pp. 95–107.
7. Алексеева Н. С. Распознавание лиц по фотографии с помощью нейронных сетей // Международный студенческий научный вестник. 2021. № 1. 5 с. URL: http://eduherald.ru/ru/article/view?id=20406 (дата обращения: 17.01.2025). EDN: https://elibrary.ru/PHVIOO
8. Шарипова Д. Д. Нейронная сеть ImageAI: распознавание объектов // Информационные технологии. Проблемы и решения. 2020. № 2 (11). С. 140–144. EDN: https://elibrary.ru/MQPHIN
9. Бондаренко В. И., Нестругина Е. С. Система распознавания лиц преступников с помощью камер видеонаблюдения // Донецкие чтения 2022: образование, наука, инновации, культура и вызовы современности: материалы VII Международной научной конференции, посвящённой 85-летию Донецкого национального университета (Донецк, 27–28 октября 2022 г.). T. 2. Физические, технические и компьютерные науки / под общ. ред. С. В. Беспаловой. Донецк: Донецкий нац. ун-т, 2022. С. 236–237. EDN: https://elibrary.ru/RZOVEF
10. Боликов С. С. Машинное зрение и нейронные сети / С. С. Боликов; науч. рук. Е. И. Шишков // Конкурентоспособность территорий: материалы XX Всероссийского экономического форума молодых ученых и студентов (Екатеринбург, Россия, 27–28 апреля 2017 г.): в 8 ч. Ч. 8. Екатеринбург: Уральский гос. экон. ун-т, 2017. С. 21–22. EDN: https://elibrary.ru/UPJUDM
11. Artificial Intelligence (AI) Applications for COVID-19 Pandemic / R. Vaishya, M. Javaid, I. H. Khan, A. Haleem // Diabetes and Metabolic Syndrome: Clinical Research and Reviews. 2020. Vol. 14, Iss. 4. Pp. 337–339. DOI:https://doi.org/10.1016/j.dsx.2020.04.012. EDN: https://elibrary.ru/EUGDAX
12. The Impact of Artificial Intelligence on Language Translation: A Review / Y. A. Mohamed, A. Khanan, M. Bashir [et al.] // IEEE Access. 2024. Vol. 12. Pp. 25553–25579. DOI:https://doi.org/10.1109/ACCESS.2024.3366802. EDN: https://elibrary.ru/RSIKJU
13. Муратова У. Д. Изучение нейронных сетей для чат-ботов / У. Д. Муратова; науч. рук. П. В. Балакшин // Сборник трудов IX Конгресса молодых ученых (Санкт-Петербург, Россия, 15–18 апреля 2020 г.). Т. 1. СПб.: Университет ИТМО, 2021. С. 92–95. EDN: https://elibrary.ru/LFVHWN
14. Алгоритм оптимизации извлечения ключевых слов на основе применения лингвистического парсера / Д. Ю. Кравченко, Ю. А. Кравченко, А. Мансур [и др.] // Информатика и автоматизация. 2024. Т. 23, № 2. С. 467–494. DOI:https://doi.org/10.15622/ia.23.2.6. EDN: https://elibrary.ru/CUIVBO
15. Artificial Intelligence Applications in Finance: A Survey / X. Li, A. Sigov, L. Ratkin [et al.] // Journal of Management Analytics. 2023. Vol. 10, Iss. 4. Pp. 676–692. DOI:https://doi.org/10.1080/23270012.2023.2244503. EDN: https://elibrary.ru/FQRJVC
16. Joshi N., Dave T. Improved Accuracy for Heart Disease Diagnosis Using Machine Learning Techniques // Journal of Informatics and Web Engineering. 2025. Vol. 4, No. 1. Pp. 42–52. DOI:https://doi.org/10.33093/jiwe.2025.4.1.4. EDN: https://elibrary.ru/UJFIBH
17. Datilo P. M., Ismail Z., Dare J. A Review of Epidemic Forecasting Using Artificial Neural Networks // Epidemiology and Health System Journal. 2019. Vol. 6, Iss. 3. Pp. 132–143. DOI:https://doi.org/10.15171/ijer.2019.24.
18. Atan O., Jordon J., van der Schaar M. Deep-Treat: Learning Optimal Personalized Treatments from Observational Data Using Neural Networks // Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence (New Orleans, LA, USA, 02–07 February 2018). Palo Alto (CA): AAAI Press, 2018. Pp. 2071–2078. DOI:https://doi.org/10.1609/aaai.v32i1.11841.
19. Deep Neural Network Provides Personalized Treatment Recommendations for de novo Metastatic Breast Cancer Patients / C. Li, Y. Wang, H. Bai [et al.] // Journal of Cancer. 2024. Vol. 15, Iss. 20. Pp. 6668–6685. DOI:https://doi.org/10.7150/jca.101293. EDN: https://elibrary.ru/KGJHEQ
20. Review of Application YOLOv8 in Medical Imaging / A. Widayani, A. M. Putra, A. R. Maghriebi [et al.] // Indonesian Applied Physics Letters. 2024. Vol. 5, No. 1. Pp. 23–33. DOI:https://doi.org/10.20473/iapl.v5i1.57001. EDN: https://elibrary.ru/MXLDCU
21. Mumali F. Artificial Neural Network-Based Decision Support Systems in Manufacturing Processes: A Systematic Literature Review // Computers and Industrial Engineering. 2022. Vol. 165. Art. No. 107964. 20 p. DOI:https://doi.org/10.1016/j. cie.2022.107964. DOI: https://doi.org/10.1016/j.cie.2022.107964; EDN: https://elibrary.ru/PDPGSQ
22. Robotic Process Automation and Artificial Intelligence in Industry 4.0 — A Literature Review / J. Ribeiro, R. Lima, T. Eckhardt, S. Paiva // Procedia Computer Science. 2021. Vol. 181. Pp. 51–58. DOI:https://doi.org/10.1016/j.procs.2021.01.104. EDN: https://elibrary.ru/DGYCSD
23. Еделев Д. А., Благовещенская М. М., Благовещенский И. Г. Использование нейронных сетей как фактора повышения качества и безопасности производства пищевых продуктов при решении задач автоматизации // Автоматизация технологических и бизнес-процессов. 2015. Т. 7, № 1 (21). С. 7–10. DOI:https://doi.org/10.15673/2312-3125.21/2015.42856. EDN: https://elibrary.ru/VRNCSD
24. Akhatova A. PCB Defects // Kaggle. URL: http://www.kaggle.com/datasets/akhatova/pcb-defects (дата обращения: 17.01.2025).
25. Черемисинова О. Н., Ростовцев В. С. Повышение качества распознавания изображений подбором параметров сверточной нейронной сети // Интеграция науки в современном мире: сборник научных работ 52-й Международной научной конференции Евразийского Научного Объединения (Москва, Россия, июнь 2019 г.). М.: Евразийское Научное Объединение, 2019. С. 114–118.
26. Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models for Object Detection / U. Sirisha, S. P. Praveen, P. N. Srinivasu [et al.] // International Journal of Computational Intelligence Systems. 2023. Vol. 16. Art. No. 126. 29 p. DOI:https://doi.org/10.1007/s44196-023-00302-w. EDN: https://elibrary.ru/UYNHMY
27. Ultralytics YOLO. URL: http://www.ultralytics.com/ru/yolo (дата обращения: 17.01.2025).
28. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (Las Vegas, NV, USA, 27–30 June 2016). Institute of Electrical and Electronics Engineers, 2016. Pp. 779–788. DOI:https://doi.org/10.1109/CVPR.2016.91.
29. Google Colaboratory. URL: http://colab.google (дата обращения: 17.01.2025).
30. F1-Score // Ultralytics. URL: http://www.ultralytics.com/ru/glossary/f1-score (дата обращения: 17.01.2025).
