Detecção de defeitos de fabricação em placas de circuito impresso através de visão computacional e aprendizado profundo

Abstract

O trabalho compreende o treinamento de um modelo de Aprendizado Profundo para a detecção de defeitos de fabricação em Placas de Circuito Impresso, utilizando as topologias de Rede Neurais Convolucionais Tiny-YOLOv4, YOLOv5 e Faster R-CNN, e sua posterior adaptação a uma plataforma de hardware limitado Raspberry Pi 3B+ Para o treinamento de validação dos modelos, foi utilizada a base de dados PCB Defect Dataset (DING et al., 2019). No decorrer do trabalho, foi utilizada a técnica de pruning não estruturado L1, considerando diferentes níveis de esparsidade, e a quantização de pesos dos modelos, nos formatos numéricos 32 bits ponto flutuante, 16 bits ponto flutuante e 8 bits inteiro, por meio das bibliotecas ONNX e TFLite, visando diminuir a carga computacional e tamanho de memória ocupado pelo modelo. Após avaliação dos resultados obtidos com as diferentes topologias, considerando a aplicação das técnicas de pruning e quantização, um modelo final foi selecionado, segundo o critério da aproximação da Curva de Pareto, e testado na plataforma Raspberry Pi 3B+. Os resultados, obtidos com o modelo YOLOv5, submetido ao pruning e quantizado, na plataforma Raspberry Pi, são de mAP(IoU=0,5) de 0,972 e tempo de inferência de 1,872 segundos, demonstrando a viabilididade desta abordagem.

The work comprises the training of a Deep Learning model for the detection of manufacturing defects in Printed Circuit Boards, using the Tiny-YOLOv4, YOLOv5 and Faster R-CNN Convolutional Neural Network topologies, and its subsequent adaptation to a Raspberry Pi 3B+ limited hardware platform For the training and validation of the models, the PCB Defect Dataset (DING et al., 2019) database was used. Throughout the work, the L1 unstructured pruning technique was used, considering different levels of sparsity, and the quantization of model weights, in 32-bit floating point, 16-bit floating point and 8-bit integer formats, using the ONNX and TFLite libraries, in order to reduce the computational load and memory size occupied by the model. After evaluating the results obtained with the different topologies, considering the application of the pruning and quantization techniques, a final model was selected, according to the Pareto Curve approximation criterion, and tested on the Raspberry Pi 3B+ platform. The results obtained with the YOLOv5 model, subjected to pruning and quantized on the Raspberry Pi platform, are a mAP(IoU=0.5) of 0.972 and an inference time of 1.872 seconds, demonstrating the viability of this approach.