Detecção de objetos baseada em YOLOv5 em imagens de Raios-X de pacotes de semicondutores

O panorama da manufatura industrial está atualmente mudando em direção à incorporação de tecnologias baseadas em inteligência artificial (IA). Essa transição inclui uma evolução em direção à infraestrutura de fábricas inteligentes, com um foco específico em estratégias impulsionadas por IA na produção e controle de qualidade. Especificamente, a visão computacional capacitada por IA emergiu como uma ferramenta potente que oferece uma alternativa a sistemas baseados em regras existentes e proporciona uma eficiência operacional aprimorada nos locais de fabricação. À medida que o setor de manufatura abraça esse novo paradigma, é evidente o ímpeto para integrar a manufatura com IA. Dentro desse framework, uma aplicação notável é a detecção de pequenos objetos facilitada por aprendizado profundo de IA, que está prestes a ter amplas implicações para diversas aplicações industriais. Este estudo descreve uma iteração otimizada do modelo YOLOv5, conhecido por suas eficazes capacidades de detecção de objetos em uma única etapa, suportadas pelo PyTorch. Nosso "modelo melhorado" incorpora uma camada adicional à arquitetura canônica de três camadas do modelo, aumentando a precisão e a conveniência computacional. Avaliações empíricas usando imagens de Raios-X de semicondutores revelam os superiores métricas de desempenho do modelo. Dadas as especificações complexas das tecnologias de montagem em superfície, que são caracterizadas por uma plétora de componentes em microescala, nosso modelo faz uma contribuição seminal para avaliações de produção em tempo real e em linha. Análises quantitativas mostram que nosso modelo melhorado alcançou uma precisão média de 0.622, superando o 0.349 do YOLOv5, e uma melhoria notável na precisão de 0.865, que é uma melhoria significativa em relação ao 0.552 do YOLOv5. Esses achados reforçam a robustez e a potencial aplicabilidade do modelo, particularmente na identificação de objetos em granularidades de bobina durante inferências em tempo real.