А. Е. Аверьянихин, А. И. Власов, Е. В. Евдокимова кафедра ИУ4 «Проектирование и технология производства электронной аппаратуры», МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Основной проблемой известных глубоких сверточных нейронных сетей является то, что им требуется входное изображение фиксированного размера. Это требование является «искусственным» и может снизить точность распознавания для изображений или его частей произвольного размера/масштаба. Авторами предложена стратегия объединения «иерархической пирамидальной субдискретизации», позволяющая устранить указанное ограничение. Структура нейронной сети с использованием предложенной стратегии объединения позволяет генерировать предсказание независимо от размера/масштаба исходного изображения, а также повышает точность распознавания.

Цель. Повысить эффективность распознавания дефектов проводящего рисунка печатных плат и монтажа компонентов за счет создания методов, алгоритмов и программ, инвариантных к смещениям, поворотам и смене ракурса входных данных.

Результаты. Исследованы особенности применения сверточных нейронных сетей на примере выделения и распознавания дефектов проводящего рисунка заготовок печатных плат. Кратко рассмотрены особенности дефектов проводящего рисунка заготовок печатных плат. Предложено использование искусственных сверточных нейронных сетей, которые имеют преимущества по скорости и точности в решении задач распознавания объектов на изображениях относительно существующих методов. Основное внимание уделено архитектуре сверточных нейронных сетей с использованием иерархической пирамидальной субдискретизации. Показаны возможности по применению сверточных нейронных сетей для распознавания дефектов проводящего рисунка заготовок печатных плат. Сделаны выводы о возможностях применении методов и средств обработки изображений в дефектоскопии радиоэлектронной аппаратуры и приборов.

Практическая значимость. Предложенная иерархическая пирамидальная субдискретизация в глубоких сверточных сетях реализована в программном комплексе, который позволяет обрабатывать цифровые данные фотографий проводящего рисунка печатных плат, в частности, при их дефектоскопии, и может быть использован для локализации присутствующих дефектов проводящего рисунка

1. Гриднев В.Н., Гриднева Г.Н. Проектирование коммутационных структур электронных средств. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014.
2. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
3. Власов А.И., Гриднев В.Н., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
4. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
5. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль электронно-вычис­лительных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6. С. 42–49.
6. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.
7. Buyanov A.A., Vlasov A.I., Gridnev V.N. The neuronet hardware and software integrated system for defectoscopy of printed circuits based on microsections // Сб. тезисов докладов 3-й междунар. конф. «Компьютерные методы и обратные задачи в неразрушающем контроле и диагностике». 2002. С. 71.
8. Макушина Н.В., Сергеева М.Д. Анализ дефектов металлизированных отверстий печатных плат // Проектирование и технология электронных средств. 2018. № 1. С. 3–12.
9. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
10. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
11. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 7. М.: Радиотехника. 2003.
12. Балухто А.Н., Галушкин А.И., Ковальчук Д.В., Назаров Л.Е., Томашевич Н.С. Нейрокомпьютеры в прикладных задачах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 8. М.: Радиотехника. 2003.
13. Дембицкий Н.Л., Назаров А.В. Применение методов искусственного интеллекта в проектировании и производстве радиотехнических устройств. Сер. Научная библиотека. М.: Изд-во МАИ. 2009.
14. Григорьев В.П., Камышная Э.Н., Нестеров Ю.И., Никитин С.А. Применение методов искусственного интеллекта в САПР технологических процессов производства электронной аппаратуры. М.: Изд-во МГТУ им. Н.Э. Баумана. 1998.
15. Глушко А.А., Бусов В.Д., Передерин К.Д. Методы алгоритмического проектирования искусственного интеллекта // Технологии инженерных и информационных систем. 2019. № 2. С. 72–88.
16. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. Сер. Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
17. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
18. Рысьмятова А.А. Использование сверточных нейронных сетей для задачи классификации текстов. М.: МГУ им. М.В. Ломоносова. 2016.
19. Прохоров В.Г. Использование сверточных сетей для распознавания рукописных символов // Проблеми програмувания. 2008. № 2–3. С. 669–674.
20. Rowley H.A., Baluja S., Kanade T. Neural network-based face detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. V. 20. № 1. P. 23–38.
21. Juell P., Marsh R. A hierarchical neural network for human face detection // Pattern Recognition 1996. V. 29. № 5. P. 781–787.
22. Lin S.-H., Kung S.-Y., Lin L.-J. Face recognition/detection by probabilistic decision-based neural network // IEEE Transactions on Neural Networks. 1997. V. 8. № 1. P. 114–132.
23. Lawrence S., Giles C.L., Tsoi A.C., Back A.D. Face recognition: A convolutional neural network approach // IEEE Transactions on Neural Networks. Special Issue on Neural Networks and Pattern Recognition. P. 1–24.
24. CS231n convolutional neural networks for visual recognition: Image classification [Электронный ресурс] / URL: http://cs231n. github.io/classification/.
25. Свидетельство о регистрации программы для ЭВМ RU 2019618937. Экспертная система по обнаружению дефектов проводящего рисунка печатных плат / Е.В. Евдокимова, А.Е. Аверьянихин, А.И. Власов. Опубл. 08.07.2019.
26. Демин А.А. Методы автоматизированной оценки каллиграфии // Программные продукты и системы. 2011. № 1. С. 20–23.
27. Демин А.А., Власов А.И., Шахнов В.А. Методы и средства визуальных упражнений для адаптивной коррекции тонкой моторики кистей рук в условиях невесомости // Вестник Московского государственного технического университета им. Н.Э. Баумана. Сер. Приборостроение. 2015. № 3 (102). С. 23–38.