这篇题为“印刷电路板制造缺陷分类的端到端深度学习框架”的新技术论文来自魁北克蒙特利尔École de technologie supérieure (ÉTS)的研究人员。
摘要
“我们报告了一个完整的深度学习框架，使用单步对象检测模型，以便快速准确地检测和分类印制电路板(pcb)上存在的制造缺陷类型。我们描述了完整的模型架构，并使用相同的PCB缺陷数据集与当前最先进的技术进行比较。这些基准测试方法包括基于ResNet50的快速区域卷积神经网络(FRCNN)、视网膜网络和用于缺陷检测和识别的you - only - looking - once (YOLO)。结果表明，该方法在低分辨率图像的测试样本上达到了98.1%的平均精度(mAP[IoU = 0.5])。这比使用低分辨率图像的最先进技术(YOLO V5m)高出3.2%，比使用高分辨率图像的最先进技术(FRCNN-ResNet FPN)高出1.4%。在获得更好精度的同时，与最先进的FRCNN-ResNet FPN (23.59M)和YOLO V5m (20.08M)相比，我们的模型所需的模型参数也减少了大约3倍(7.02M)。在大多数情况下，PCB制造链的主要瓶颈是质量控制、可靠性测试和有缺陷的PCB的手工返工。基于初步结果，我们坚信，在PCB生产线上实施这种模式可以显著提高产量和吞吐量，同时大幅降低制造成本。”
找到这里是技术文件．2022年7月出版。
Bhattacharya, A.， Cloutier, S.G.印刷电路板制造缺陷分类的端到端深度学习框架。Sci代表12，12559(2022)。https://doi.org/10.1038/s41598 - 022 - 16302 - 3。
相关阅读
电子束在检测IC缺陷中的作用越来越大
基础应用和新方法相结合，加快了半导体检测的速度。
HBM，纳米片fet驱动x射线Fab使用
x射线工具监测HBM堆栈中的芯片对齐和纳米片晶体管中的Si/SiGe组成。
PCB和IC技术在中间相遇
表面贴装技术正在以一些令人惊讶的方式发生变化。
留下回复