Применение YOLOv4 для обнаружения дефектов на печатных платах: методы, обучение и результаты

А.А. Солодняков; М.А. Краснобаев; А.В. Архипов; Д.А. Захариков; К.В. Селиванов

doi:10.18127/j19998554-202505-03

Применение YOLOv4 для обнаружения дефектов на печатных платах: методы, обучение и результаты

А.А. Солодняков¹, М.А. Краснобаев², А.В. Архипов³, Д.А. Захариков⁴, К.В. Селиванов⁵

научная статья УДК 681.142.2 Страницы: 23-34 doi.org/10.18127/j19998554-202505-03

^1,2,3,4,5 МГТУ им.Н.Э. Баумана (Москва, Россия)

Ключевые слова: YOLOv4 печатные платы обнаружение дефектов автоматизация контроль качества нейронные сети

Аннотация

Постановка проблемы. В настоящее время контроль качества при массовом производстве печатных плат является критически важной задачей. Ошибки, допущенные операторами при ручной проверке, могут привести к пропуску дефектной продукции, что существенно увеличивает затраты на исправление и ставит под угрозу надежность конечного продукта. Поэтому возникает необходимость в разработке и внедрении автоматизированных систем обнаружения дефектов, способных повысить оперативность и точность контроля.

Цель. Изучить возможности применения архитектуры YOLOv4 для автоматического обнаружения дефектов на печатных платах при визуальном контроле.

Результаты. Показано, что YOLOv4 обеспечивает высокую точность и скорость обнаружения различных типов дефектов печатных плат. На основе проведенных экспериментов установлено, что внедрение данной технологии приводит к значительному сокращению времени на контроль качества и снижению вероятности пропуска дефектов.

Практическая значимость. Разработанные методы могут быть применены в промышленных условиях, что позволит значительно улучшить процесс контроля качества на всех этапах производства печатных плат. Автоматизация этого процесса снизит влияние человеческого фактора и повысит общую эффективность производственного цикла.

Поступила: 12.05.2025
Одобрена: 30.05.2025
Принята: 23.09.2025

Для цитирования

Солодняков А.А., Краснобаев М.А., Архипов А.В., Захариков Д.А., Селиванов К.В. Применение YOLOv4 для обнаружения дефектов на печатных платах: методы, обучение и результаты // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 5. С. 23–34. DOI: https://doi.org/10.18127/j19998554-202505-03

Список источников

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. Т. 2. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014.
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.
Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // arXiv:1905.11946 [cs.LG]. DOI: 10.48550/arXiv.1905.11946.
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., et al. Going deeper with convolutions // CoRR. abs/1409.4842. 2014.
Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 3431–3440.
Ren S., He K., Girshick R., et al. Faster R-CNN: Towards realtime object detection with region proposal networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. V. 39. № 6. P. 1137–1149.
Liu Ch., Jiang X., Ding H. Instance-specific feature propagation for referring segmentation // arXiv:2204.12109v1. 2022.
Zebari R.R., Abdulazeez A.M., Zeebaree D.Q., et al. 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., et al. Inception-v4, Inception-ResNet and the impact of residual connections on learning // arXiv:1602.07261v2. 2016.
Gao H., Zhuang L., van der Maaten L., et al. Densely connected convolutional networks // arXiv:1608.06993v5. 2018.
Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. V. 60. № 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., et al. Going deeper with convolutions // CoRR. abs/1409.4842. 2014.
Lin T.Y., Maire M., Belongie S., et al. Microsoft coco: Common objects in context // European Conference on Computer Vision. 2014. Springer. 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., et al. Facebook AI research (FAIR) boundary IoU: Improving object-centric image segmentation evaluation // arXiv:2103.16562v1. 2021.
He K., Gkioxari G., Dollar P., et al. Mask R-CNN // 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 // arXiv: 2204.02961v1. 2022.
Власов А.И., Завьялов Н.В., Селиванов К.В., Скальченков И.И. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 5–19.

[1] Макушина Н.В., Сергеева М.Д. Анализ дефектов металлизированных отверстий печатных плат // Проектирование и технология электронных средств. 2018. № 1. С. 3–12.

[2] Маркелов В.В., Кабаева А.С. Управление качеством электронных средств. Т. 2. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014.

[3] 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.

[4] Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // arXiv preprint arXiv:1505. 04597. 2015.

[5] Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // arXiv:1905.11946 [cs.LG]. DOI: 10.48550/arXiv.1905.11946.

[6] Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.

[7] Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.

[8] 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.

[9] 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.

[10] Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.

[11] 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.

[12] Szegedy C., Liu W., Jia Y., et al. Going deeper with convolutions // CoRR. abs/1409.4842. 2014.

[13] Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 3431–3440.

[14] Ren S., He K., Girshick R., et al. Faster R-CNN: Towards realtime object detection with region proposal networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. V. 39. № 6. P. 1137–1149.

[15] Liu Ch., Jiang X., Ding H. Instance-specific feature propagation for referring segmentation // arXiv:2204.12109v1. 2022.

[16] Zebari R.R., Abdulazeez A.M., Zeebaree D.Q., et al. 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.

[17] Christian S., Sergey I., Vincent V., et al. Inception-v4, Inception-ResNet and the impact of residual connections on learning // arXiv:1602.07261v2. 2016.

[18] Gao H., Zhuang L., van der Maaten L., et al. Densely connected convolutional networks // arXiv:1608.06993v5. 2018.

[19] Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. V. 60. № 6. P. 84–90.

[20] Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv:1409.1556v6. 2015.

[21] Szegedy C., Liu W., Jia Y., et al. Going deeper with convolutions // CoRR. abs/1409.4842. 2014.

[22] Lin T.Y., Maire M., Belongie S., et al. Microsoft coco: Common objects in context // European Conference on Computer Vision. 2014. Springer. P. 740–755.

[23] Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv:1412.6980. 2014.

[24] Phan T.H., Yamamoto K. Resolving class imbalance in object detection with weighted cross entropy losses // arXiv:2006.01413. 2020.

[25] Cheng B., Girshick R., Dollar P., et al. Facebook AI research (FAIR) boundary IoU: Improving object-centric image segmentation evaluation // arXiv:2103.16562v1. 2021.

[26] He K., Gkioxari G., Dollar P., et al. Mask R-CNN // Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 2961–2969.

[27] Azad R., Khosravi N., Merhof D. SMU-Net: Style matching U-Net for brain tumor segmentation with missing modalities // arXiv: 2204.02961v1. 2022.

[28] Власов А.И., Завьялов Н.В., Селиванов К.В., Скальченков И.И. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 5–19.

Аннотация

Для цитирования

Похожие статьи