А.И. Власов1, Н.В. Завьялов2, К.В. Селиванов3, И.И. Скальченков4
1–4 МГТУ им. Н.Э.Баумана (Москва, Россия)
Постановка проблемы. Человеку-оператору при длительном монотонной деятельности свойственно допускать ошибки в работе. Эта проблема особенно актуальна на современных массовых производствах электронных изделий. Важным этапам такого производства является контроль качества изделия, характерной ошибкой в работе отдела выходного контроля является пропуск дефектной печатной платы. В производстве высокотехнологичных изделий это является наиболее критической ошибкой. Это делает невозможным дальнейшее использование изделия, а также полностью бракует все радиоэлектронные элементы, уже запаянные на дефектную печатную плату. Все это приводит к необходимости разработки современных цифровых методов и технологий для автоматического контроля компонентов изделий электронной техники с применением искусственного интеллекта. Решение задачи обнаружения дефектов на печатных платах с использованием нейронных сетей направлено на создание промышленных современных решений высоко автоматизированных систем контроля качества печатных плат.
Цель. Разработать нейросетевые методы и средства для автоматического обнаружения дефектов печатных плат при визуальном контроле; реализовать нейросети на архитектурах U-Net и SegNet; сравнить эффективности данных нейросетей на детектировании дефектов печатных плат.
Результаты. Сделан анализ нейронных сетей, предназначенных для работы с изображениями. По результатам анализа обоснован выбор нейросетей на архитектурах U-Net и SegNet для решения задачи автоматической дефектоскопии печатных плат. Проведено сравнение эффективности данных нейросетей на детектировании дефектов печатных плат. На основе полученных в ходе эксперимента данных построены графики процесса обучения. Общие результаты работы двух архитектур не имеют сильных различий, но при работе на изображениях проводящего рисунка с мелкими элементами повышенную эффективность показала сверточная нейронная сеть с архитектурой U-Net. Разработано программное обеспечение, позволяющее детектировать и классифицировать базовые типы дефектов печатных плат. Выполнено тестирование программной реализаций комплекса на печатных платах пятого и выше классов точности, и продемонстрирована на изображениях работа комплекса. Предложено использование сверточных нейронных сетей для сегментации дефектных участков проводящего рисунка, отличающееся от нейронных сетей детекции более высокой точностью работы и лучшей производительностью. Сделан вывод, что предлагаемые решения на основе архитектур сверточных сетей U-Net и SegNet позволяют с высокой эффективностью и скоростью решать задачу обнаружения и классификации дефектов.
Практическая значимость. Предложенные реализации нейронных сетей могут найти применение в создании автоматизированных информационных систем технологического профиля, позволяющих проводить автоматический визуальный контроль на всех технологических этапах его производства. Применение предлагаемого комплекса на производстве дают возможность уменьшить роль человеческого фактора и снизить время, затрачиваемое на контроль качества.
Власов А.И., Завьялов Н.В., Селиванов К.В., Скальченков И.И. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 6. С. 5-19. DOI: https://doi.org/10.18127/j19998554-202206-01
- Макушина Н.В., Сергеева М.Д. Анализ дефектов металлизированных отверстий печатных плат // Проектирование и технология электронных средств. 2018. № 1. С. 3–12.
- Маркелов В.В., Кабаева А.С. Управление качеством электронных средств - Москва, Изд-во МГТУ им. Н.Э.Баумана. 2014. 272 с.
- 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.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv preprint arXiv:1505.04597. 2015.
- Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. arXiv preprint arXiv:1511.00561v3. 2016.
- Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение 2019. № 2. С. 54–67.
- Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
- 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.
- 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.
- Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.
- Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
- Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions. CoRR, abs/1409.4842. 2014.
- Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR). 2015. P. 3431–3440.
- Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards realtime object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. Jun. 2017. V. 39. № 6. P. 1137–1149.
- Chang Liu, Xudong Jiang, Fellow, IEEE, Henghui Ding. Instance-Specific Feature Propagation for Referring Segmentation. arXiv:2204.12109v1. 26 Apr 2022.
- Rizgar R. Zebari, Adnan Mohsin Abdulazeez, Diyar Qader Zeebaree, Dilovan Asaad Zebari, Jwan Najeeb Saeed A Comprehensive Review of Dimensionality Reduction Techniques for Feature Selection and Feature Extraction. Journal of Applied Science and Technology Trends. 2020. V. 1. № 2. P. 56–70.
- Christian S., Sergey I., Vincent V., Alex A. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. arXiv:1602.07261v2. 2016.
- Gao H., Zhuang L., Laurens van der Maaten, Kilian Q. Densely Connected Convolutional Networks. arXiv:1608.06993v5. 2018.
- Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 2017. V. 60. Iss. 6. P. 84–90.
- Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556v6. 2015.
- Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions. CoRR. abs/1409.4842. 2014.
- Lin T.Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Doll´ar P., Zitnick C.L. Microsoft coco: Common objects in context. European Conference on Computer Vision. 2014. P. 740–755.
- Kingma D.P., Ba J. Adam: A method for stochastic optimization. arXiv :1412.6980. 2014.
- Phan T.H., Yamamoto K. Resolving Class imbalance in object detection with weighted cross entropy losses. arXiv:2006.01413. 2020.
- Cheng B., Girshick R., Dollar P., Berg A., Kirillov A. Facebook AI Research (FAIR) Boundary IoU: Improving Object-Centric Image Segmentation Evaluation. arXiv:2103.16562v1. 2021.
- He K., Gkioxari G., Dollar P., Girshick R. Mask R-CNN. In: Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 2961–2969.
- Azad R., Khosravi N., Merhof D. SMU-Net: Style matching U-Net for brain tumor segmentation with missing modalities. Institute of Imaging and Computer Vision. RWTH Aachen University. Germany. arXiv:2204.02961v1. 2022.