DMASNet: A Defect Detection Network for PCBs via Multi-Scale Feature Collaborative Optimization
Dit artikel introduceert DMASNet, een lichtgewicht en efficiënt framework voor defectdetectie in printplaten dat gebruikmaakt van multi-schaal feature-optimalisatie, dynamische upsampling en gespecialiseerde verliesfuncties om de nauwkeurigheid en de realtime inferentiesnelheid op industriële hardware aanzienlijk te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Moderne elektronica vertrouwt op printplaten, de platte, groene fundamenten die de minuscule componenten vasthouden die alles van smartphones tot medische apparaten aandrijven. Naarmate deze apparaten kleiner en complexer worden, worden de platen zelf ook dichter bezet, wat het moeilijker maakt om de piepkleine gebreken te ontdekken die kunnen ervoor zorgen dat een apparaat uitvalt. Traditioneel hebben fabrieken vertrouwd op menselijke inspecteurs om naar deze defecten te kijken, een proces dat traag, vermoeiend en foutgevoelig is door menselijke fouten, of op geautomatiseerde machines die moeite hebben wanneer de achtergrond van de plaat druk is of de defecten onregelmatige vormen hebben. Om dit op te lossen, hebben onderzoekers zich gericht op kunstmatige intelligentie, specifiek computer vision-systemen die patronen in afbeeldingen kunnen leren herkennen. Het doel is om een systeem te creëren dat een plaat kan scannen, een gebrek kan identificeren hoe klein of verborgen het ook is, en dit snel genoeg kan doen om de bewegende assemblageband bij te houden zonder de productie te vertragen.
Een team onderzoekers aan de Hefei University of Technology heeft een nieuw systeem ontwikkeld genaamd DMASNet om deze specifieke uitdagingen aan te pakken. Hun aanpak richt zich op het aanleren van een flexibelere manier aan de computer om naar de printplaat te kijken. In plaats van de afbeelding in een rigide raster te dwingen, gebruikt het nieuwe systeem een dynamische methode om in te zoomen op gebieden die er toe doen, vergelijkbaar met een menselijk oog dat van nature de focus verlegt naar een vlek op een raam in plaats van glazig naar het glas te staren. Dit stelt het systeem in staat om de complexe, drukke achtergrond van de printplaat te negeren en zich te concentreren op de werkelijke defecten, die sterk in grootte kunnen variëren. De onderzoekers ontdekten dat door deze flexibele zoomcapaciteit te combineren met een gespecialiseerde manier om de afbeelding tegelijkertijd vanuit meerdere afstanden te bekijken, het systeem aanzienlijk beter werd in het vinden van kleine scheurtjes of ontbrekende onderdelen die andere systemen vaak missen.
Om dit systeem snel genoeg te maken voor echte fabrieken, moesten de onderzoekers ervoor waken dat de computer niet te hard moest werken. Meestal maakt het toevoegen van meer functies aan een AI-model het slimmer, maar ook langzamer en zwaarder. Het team loste dit op door een standaard, zwaar onderdeel van het systeem te vervangen door een lichter, efficiënter onderdeel dat hetzelfde werk doet met minder inspanning. Ze verfijnden ook de manier waarop het systeem leert van zijn fouten, door de interne regels aan te passen om nauwkeuriger te zijn bij het tekenen van een kader rond een defect. Dit zorgt ervoor dat het systeem niet alleen raadt waar een gebrek zit, maar het met hoge precisie lokaliseert. Wanneer het systeem werd getest op afbeeldingen van echte printplaten, bleek deze nieuwe methode nauwkeuriger dan eerdere standaardmodellen; het verbeterde de detectiegraad met een merkbare marge, terwijl het feitelijk minder computerbronnen gebruikte.
De echte test voor een dergelijk systeem is of het kan draaien op de kleine, draagbare computers die in moderne fabrieken worden gebruikt, in plaats van alleen op enorme servers in een laboratorium. De onderzoekers hebben hun systeem geïmplementeerd op een compact, energiezuinig apparaat dat bekend staat als de Jetson Orin Nano, die is ontworpen voor edge computing in industriële omgevingen. Zelfs met deze strikte hardwarebeperkingen verwerkte het systeem afbeeldingen in slechts 25,7 milliseconden per frame. Deze snelheid is snel genoeg om het snelle tempo van een productielijn bij te houden, waardoor realtime inspectie mogelijk is zonder het productieproces te vertragen. De resultaten suggereren dat deze aanpak een praktische, betrouwbare manier biedt om de hoge kwaliteit in de elektronicafabricage te handhaven, waarbij de kloof tussen geavanceerde kunstmatige intelligentie en de fysieke eisen van de fabrieksvloer wordt overbrugd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.