студент
Москва, г. Москва и Московская область, Россия
студент с 01.01.2024 по настоящее время
Альметьевск, Республика Татарстан, Россия
сотрудник с 01.01.2023 по 01.01.2025
Москва, г. Москва и Московская область, Россия
УДК 004.032.26 Нейронные сети
Рассматривается разработка модели на основе нейросети YOLOv8x для автоматизированного выявления дефектов на печатных платах. Цель: обучение нейросети, способной эффективно обнаруживать и классифицировать различные виды дефектов на печатных платах. Методы: использовался метод глубокого обучения, основанный на архитектуре YOLOv8x, предназначенной для задач детектирования объектов. Для оценки эффективности модели проводился анализ метрик точности и потерь. Результаты: показывают, что обученная модель демонстрирует высокую точность в классификации дефектов, таких как незапаянное посадочное место (missing_hole), короткое замыкание (short) и ложная печатная дорожка (spurious_copper), достигая точности 1,0. Классы «разомкнутая печатная дорожка» (open_circuit) и «выступ меди» (spur) также показывают удовлетворительные результаты, однако класс «нарушение целостности печатной дорожки» (mouse_bite) требует дальнейшего улучшения. Практическая значимость: заключается в возможности применения разработанной модели для автоматизации процессов контроля качества печатных плат, что может значительно повысить надежность электронных изделий и снизить вероятность отказов в критически важных системах.
печатная плата, дефекты, нейросетевая классификация, нейросетевая модель YOLOv8x
1. Данилова Е.А. Классификация дефектов печатных плат //Труды Международного симпозиума «Надежность и качество». 2013. Т. 1. С. 325-328.
2. Данилова Е.А., Кочегаров И.И., Трусов В.А. Модели технологических дефектов проводящего рисунка печатных плат //Надежность и качество сложных систем. 2017. №. 2 (18). С. 68-76.
3. Складнова М.С. Методы контроля печатных плат //Colloquium journal. Голопристанський міськрайонний центр зайнятості, 2019. №. 25 (49). С. 45-46.
4. Ксенофонтов В.В. Нейронные сети //Проблемы науки. 2020. №. 11. С. 59.
5. Smith R.G., Eckroth J. Building AI applications: Yesterday, today, and tomorrow //Ai Magazine. 2017. Т. 38. №. 1. С. 6-22.
6. Yağcı B.E., Demirsoy G., Akpolat A.N. General overview of artificial neural network applications in renewable energy systems // Turkish Journal of Electromechanics and Energy. 2024. Т. 9. №. 3. С. 95-107.
7. Алексеева Н.С. Распознавание лиц по фотографии с помощью нейронных сетей // Международный студенческий научный вестник. 2021. № 1. С. 55. EDN XOMDNZ.
8. Шарипова Д.Д. Нейронная сеть imageai: распознавание объектов // Информационные технологии. Проблемы и решения. 2020. № 2(11). С. 140-144. EDN MQPHIN.
9. Бондаренко В.И. Нестругина Е.С. Система распознавания лиц преступников с помощью камер видеонаблюдения // Донецкие чтения 2022: образование, наука, инновации, культура и вызовы современности : Материалы VII Международной научной конференции, посвящённой 85-летию Донецкого национального университета, Донецк, 27–28 октября 2022 года / Под общей редакцией С.В. Беспаловой. Том 2. Донецк: Донецкий национальный университет, 2022. С. 236-237. EDN RZOVEF.
10. Боликов С.С. Машинное зрение и нейронные сети // Конкурентоспособность территорий: Материалы XX Всероссийского экономического форума молодых ученых и студентов. В 8-ми частях, Екатеринбург, 27–28 апреля 2017 года / Екатеринбург: Уральский государственный экономический университет, 2017. С. 21-22. EDN UPJUDM.
11. Vaishya R. et al. Artificial Intelligence (AI) applications for COVID-19 pandemic // Diabetes & Metabolic Syndrome: Clinical Research & Reviews. 2020. Т. 14. №. 4. С. 337-339.
12. Mohamed Y.A. et al. The impact of artificial intelligence on language translation: a review // Ieee Access. 2024. Т. 12. С. 25553-25579.
13. Муратова У.Д. Изучение нейронных сетей для чат-ботов // Сборник трудов IX Конгресса молодых ученых, Санкт-Петербург, 15–18 апреля 2020 года. Том 1. Университет ИТМО, Санкт-Петербург: федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО", 2021. С. 92-95. EDN LFVHWN.
14. Д.Ю. Кравченко, Ю.А. Кравченко, А. Мансур [и др.] Алгоритм оптимизации извлечения ключевых слов на основе применения лингвистического парсера // Информатика и автоматизация. 2024. Т. 23, № 2. С. 467-494. DOIhttps://doi.org/10.15622/ia.23.2.6. EDN CUIVBO.
15. Li X. et al. Artificial intelligence applications in finance: a survey //Journal of Management Analytics. 2023. Т. 10. №. 4. С. 676-692.
16. Joshi N., Dave T. Improved accuracy for heart disease diagnosis using machine learning techniques // Journal of Informatics and Web Engineering. 2025. Т. 4. №. 1. С. 42-52.
17. Datilo P.M., Ismail Z., Dare J. A review of epidemic forecasting using artificial neural networks // Epidemiology and Health System Journal. 2019. Т. 6. №. 3. С. 132-143.
18. Atan O., Jordon J., Van der Schaar M. Deep-treat: Learning optimal personalized treatments from observational data using neural networks // Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Т. 32. №. 1.
19. Li C. et al. Deep neural network provides personalized treatment recommendations for de novo metastatic breast cancer patients // Journal of Cancer. 2024. Т. 15. №. 20. С. 6668.
20. Widayani A. et al. Review of Application YOLOv8 in Medical Imaging //Physics Letters. 2024. Т. 5. №. 1.
21. Mumali F. Artificial neural network-based decision support systems in manufacturing processes: A systematic literature review //Computers & Industrial Engineering. 2022. Т. 165. С. 107964.
22. Ribeiro J. et al. Robotic process automation and artificial intelligence in industry 4.0–a literature review //Procedia Computer Science. 2021. Т. 181. С. 51-58.
23. Еделев Д.А., Благовещенская М.М., Благовещенский И.Г. Использование нейронных сетей как фактора повышения качества и безопасности производства пищевых продуктов при решении задач автоматизации // Автоматизация технологических и бизнес-процессов. 2015. №. 7, Iss. 1. С. 7-10.
24. PCB Defects. URL: https://www.kaggle.com/datasets/akhatova/pcb-defects (дата обращения: 17.01.2025).
25. Черемисинова О.Н. Повышение качества распознавания изображений подбором параметров сверточной нейронной сети // Евразийское Научное Объединение. 2019. № 6-2(52). С. 114-118.
26. Sirisha U. et al. Statistical analysis of design aspects of various YOLO-based deep learning models for object detection //International Journal of Computational Intelligence Systems. 2023. Т. 16. №. 1. С. 126.
27. Ultralytics. YOLO: система детекции объектов. URL: https://www.ultralytics.com/ru/yolo (дата обращения: 17.01.2025).
28. Redmon J. et al. You only look once: Unified, real-time object detection //Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. С. 779-788.
29. Google Colab. Google Colab. URL: https://colab.google/ (дата обращения: 17.01.2025).
30. Ultralytics. F1-score URL: https://www.ultralytics.com/ru/glossary/f1-score (дата обращения: 17.01.2025).
