CDA-YOLO: An Improved YOLOv11 Model for PCB Defect Detection
यह शोध पत्र CDA-YOLO का प्रस्ताव करता है, जो एक उन्नत YOLOv11 फ्रेमवर्क है जिसमें एक क्रॉस-लेवल द्विदिश फीचर पिरामिड नेटवर्क (Cross-level Bidirectional Feature Pyramid Network), एक हल्का डुअल-स्केल कनवल्शन मॉड्यूल (Dual-Scale Convolution module), और एक पैरामीटर-मुक्त औसत अटेंशन मैकेनिज्म (parameter-free average attention mechanism) शामिल है, जो सूक्ष्म लक्ष्यों और जटिल पृष्ठभूमि की चुनौतियों का समाधान करके PCB दोष पहचान (PCB defect detection) की सटीकता में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक इलेक्ट्रॉनिक्स की छिपी हुई वास्तुकला में, प्रिंटेड सर्किट बोर्ड तंत्रिका तंत्र के रूप में कार्य करता है, जो पथों का एक जटिल जाल है जो किसी उपकरण के प्रत्येक घटक को जोड़ता है। इन बोर्डों का निर्माण अत्यधिक सटीकता के साथ किया जाता है, फिर भी उनके डिज़ाइन की सूक्ष्म प्रकृति का अर्थ यह है कि एक मामूली दोष—एक टूटी हुई रेखा, एक गलत स्थान पर छेद, या तांबे का एक भटकता हुआ कण—भी सिस्टम को विफल कर सकता है। दशकों से, निर्माता इन बोर्डों का निरीक्षण करने के लिए मानव आंखों पर निर्भर रहे हैं, जो एक ऐसी विधि है जो धीमी, थकाऊ और त्रुटियों के प्रति संवेदनशील है क्योंकि श्रमिक ध्यान केंद्रित करने के लिए संघर्ष करते हैं। हाल ही में, कंप्यूटर को देखने के लिए सिखाया गया है, जिसमें दोषों को खोजने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग किया जाता है। इस कार्य के लिए सबसे लोकप्रिय उपकरण डिटेक्शन मॉडल हैं जो एक छवि को स्कैन करते हैं और समस्याओं के चारों ओर बॉक्स बनाते हैं, लेकिन वे अक्सर तब संघर्ष करते हैं जब समस्याएँ अविश्वसनीय रूप से छोटी होती हैं और बैकग्राउंड जटिल पैटर्न से भरा होता है जो दोषों के समान ही दिखते हैं।
सिचुआन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस दृश्य चुनौती के लिए एक नया दृष्टिकोण विकसित किया है, एक ऐसा सिस्टम बनाया है जिसे वे CDA-YOLO कहते हैं। यह मॉडल YOLOv11 नामक एक शक्तिशाली मौजूदा फ्रेमवर्क पर आधारित है, जिसे वस्तुओं को तेजी से और सटीक रूप से खोजने के लिए डिज़ाइन किया गया है। हालाँकि, शोधकर्ताओं ने पहचाना कि इस उपकरण का मानक संस्करण सर्किट बोर्ड निरीक्षण की विशिष्ट मांगों के लिए पर्याप्त तीक्ष्ण नहीं था। बोर्ड पर सूक्ष्म दोष आसपास के सर्किट के शोर में खो सकते हैं, जिससे कंप्यूटर या तो उन्हें पूरी तरह से मिस कर देता है या हानिरहित बनावट को टूटे हुए हिस्सों के रूप में समझ लेता है। इसे हल करने के लिए, टीम ने तीन विशिष्ट सुधार किए हैं जो सिस्टम को अधिक स्पष्टता के साथ बोर्ड को देखने की अनुमति देते हैं, जिससे दोष के संकेत (सिग्नल) को बैकग्राउंड के शोर से अलग किया जा सके।
पहला प्रमुख परिवर्तन इस बात को संबोधित करता है कि कंप्यूटर विवरणों में गहराई से देखते समय छवि को कैसे प्रोसेस करता है। मानक मॉडलों में, जैसे-जैसे छवि का विश्लेषण परत दर परत किया जाता है, छोटी वस्तुओं के सूक्ष्म विवरण फीके पड़ सकते हैं, ठीक वैसे ही जैसे एक संदेश लोगों की एक लंबी कतार में गुजरते समय विकृत हो जाता है। शोधकर्ताओं ने एक नया पथ बनाया है जो सूचना को सिस्टम की विभिन्न परतों के बीच कूदने की अनुमति देता है, यह सुनिश्चित करता है कि सूक्ष्म, बारीक विवरण अंतिम निर्णय तक सुरक्षित रहें। यह सुनिश्चित करता है कि केवल कुछ पिक्सेल घेरने वाला दोष भी सिस्टम के लिए दृश्य बना रहे।
दृश्य को और अधिक तीक्ष्ण बनाने के लिए, टीम ने बोर्ड के परीक्षण के लिए एक 'डुअल-लेंस' दृष्टिकोण पेश किया। छवि को देखने के लिए एक एकल विधि का उपयोग करने के बजाय, उनका सिस्टम अपने ध्यान को दो समानांतर धाराओं में विभाजित करता है। एक धारा संभावित दोष के तीक्ष्ण किनारों और बनावट को कैप्चर करने के लिए गहन रूप से स्थानीय विवरणों पर ध्यान केंद्रित करती है। दूसरी धारा व्यापक संदर्भ को समझने के लिए थोड़ा पीछे हटती है, यह देखने के लिए कि दोष आसपास के क्षेत्र में कैसे फिट बैठता है। इन दोनों दृष्टिकोणों को जोड़कर, सिस्टम यह बता सकता है कि क्या वह एक वास्तविक टूटी हुई रेखा है या बैकग्राउंड का एक भ्रमित करने वाला पैटर्न, जिससे गलत अलार्म की संख्या काफी कम हो जाती है।
अंतिम सुधार में एक तंत्र शामिल है जो सिस्टम को अप्रासंगिक जानकारी को अनदेखा करने में मदद करता है। एक घने सर्किट बोर्ड में, दृश्य डेटा की एक विशाल मात्रा होती जिसका दोषों से कोई लेना-देना नहीं होता, जैसे कि टेक्स्ट लेबल या मानक वायरिंग पैटर्न। शोधकर्ताओं ने एक हल्का फिल्टर जोड़ा है जो स्वचालित रूप से उन क्षेत्रों को हाइलाइट करता है जहाँ दोष मिलने की संभावना अधिक होती है और बाकी छवि को धुंधला कर देता है। यह फिल्टर अतिरिक्त प्रशिक्षण या जटिल गणनाओं की आवश्यकता नहीं रखता है; यह बस सिस्टम के ध्यान को सबसे महत्वपूर्ण क्षेत्रों पर केंद्रित करता है, जिससे इसे वास्तविक समस्याओं पर अपनी कंप्यूटिंग शक्ति केंद्रित करने की अनुमति मिलती है।
छह सामान्य प्रकार के दोषों वाली सर्किट बोर्ड छवियों के संग्रह पर परीक्षण किए जाने पर, नए सिस्टम ने मानक मॉडल की तुलना में उल्लेखनीय सुधार प्रदर्शित किया। इसने सटीकता के मानक माप का उपयोग करते हुए दोषों की पहचान 96.1% सही ढंग से की, और इसने एक सख्त परीक्षण पर 56.0% का स्कोर प्राप्त किया जिसके लिए सिस्टम को उच्च सटीकता के साथ दोष के सटीक स्थान को चिह्नित करने की आवश्यकता होती है। ये परिणाम एक महत्वपूर्ण छलांग का प्रतिनिधित्व करते हैं, जो पिछले सर्वश्रेष्ठ संस्करण की तुलना में डिटेक्शन दर में लगभग 3 प्रतिशत अंकों का सुधार करते हैं। शोधकर्ताओं ने पाया कि सिस्टम विशेष रूप से सबसे छोटे और सबसे मायावी दोषों, जैसे कि गायब छेद या सूक्ष्म दरारें, को पकड़ने में प्रभावी था, जिन्हें देखना कंप्यूटरों के लिए अक्सर कठिन होता है।
इस दृष्टिकोण की सफलता गति और संवेदनशीलता के बीच संतुलन बनाने की इसकी क्षमता में निहित है। विवरणों को एकत्र करने, संदर्भ को समझने और अपने ध्यान को केंद्रित करने के तरीके को परिष्कृत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो वास्तविक समय के कारखाने के उपयोग के लिए पर्याप्त तेज़ और सबसे छोटी त्रुटियों को पकड़ने के लिए पर्याप्त सटीक है। यह सिस्टम अतिरिक्त कंप्यूटिंग पावर की भारी मात्रा पर निर्भर नहीं करता है, जो इसे औद्योगिक वातावरण के लिए एक व्यावहारिक समाधान बनाता है। इन लक्षित संवर्द्धनों के माध्यम से, टीम ने आधुनिक जीवन को संचालित करने वाले इलेक्ट्रॉनिक उपकरणों की गुणवत्ता सुनिश्चित करने का एक अधिक विश्वसनीय तरीका प्रदान किया है, जिससे एक कठिन दृश्य पहेली को एक सुलझे हुए प्रश्न में बदल दिया गया है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।