Key points are not available for this paper at this time.
– Aufgrund der fortschreitenden Miniaturisierung elektronischer Produkte und der Verwendung von Miniaturebedruckten Schaltungen (PCBs) haben bestehende KI-basierte Fehlererkennungsmethoden eine schlechte Leistung bei der Erkennung winziger PCB-Fehler gezeigt. Dieses Problem kann potenziell die Sicherheit gefährden, die Fertigungsqualität beeinträchtigen und die Produktionskosten erhöhen. Um dieses Problem zu lösen, schlagen wir zwei neuartige Techniken zur Fehlererkennung von PCBs vor, nämlich Selektive Merkmalsaufmerksamkeit (SF-Aufmerksamkeit) und Pixel-Shuffle-Pyramide (PSPyramid). SF-Aufmerksamkeit identifiziert wichtige Merkmale aus einer pyramidenförmigen Merkmalskarte, um die semantischen und räumlichen Informationen zu verschmelzen, während PSPyramid semantische Merkmale effektiv kombiniert, um verschiedene Arten von Fehlern auf PCBs zu erkennen, insbesondere winzige Fehler. Darüber hinaus wird eine maßgeschneiderte Trainingsstrategie speziell für die Fehlererkennung von PCBs entwickelt. Um die Leistung unserer vorgeschlagenen Algorithmen zu bewerten, wurden umfangreiche Experimente an zwei bekannten PCB-Datensätzen mit winzigen Fehlern durchgeführt: den DeepPCB- und TDD-Datensätzen. Unsere vorgeschlagene nicht-referentielle Methode erreicht eine Leistung, die mit bestehenden referentiellen Methoden auf dem DeepPCB-Datensatz vergleichbar ist, was sie für industrielle Anwendungen praktikabler macht. Im Vergleich zu modernen Methoden reduziert unsere Methode den Fehler um 16 % in Bezug auf AP50 im TDD-Datensatz. Die experimentellen Ergebnisse zeigen die Wirksamkeit unserer vorgeschlagenen Methode zur Verbesserung des Qualitätssicherungsprozesses für PCBs in der Elektronikindustrie.
Fung et al. (Fri,) haben diese Frage untersucht.