Comparação do mask R-CNN e YOLOv8-seg para monitoramento aprimorado da superfície de PCB durante a limpeza a laser

Compostos e revestimentos de potting protegem componentes eletrônicos em ambientes severos, exigindo remoção cuidadosa para reciclagem ou reparo. Este estudo introduz o uso inovador de YOLOv8-seg e Mask R-CNN para melhorar a precisão e eficiência do processo de limpeza a laser para PCBs (Placas de Circuito Impresso). Esses modelos são utilizados para duas tarefas principais: segmentação em tempo real para orientação na limpeza a laser e avaliação da qualidade da superfície após a limpeza. A segmentação em tempo real adapta as estratégias de limpeza com base nos estados da superfície do PCB, como 'Bare-Cu', 'Complete-Removal', 'Incomplete-Removal', etc. A avaliação da qualidade garante superfícies de alta qualidade, sem danos, após a limpeza. Ambos os modelos foram treinados em um conjunto de dados aumentado para melhorar a robustez. No conjunto de dados de teste inicial, o YOLOv8-seg (l), conhecido por sua velocidade, alcançou um mAP50 (seg) de 82,8% a 3,98 FPS, provando ser adequado para processos de limpeza a laser sensíveis ao tempo devido à sua velocidade e precisão. O Mask R-CNN (ResNet-50) alcançou um mAP50 (seg) de 84,097% a 1,52 FPS, atendendo aos requisitos de tempo real com alta precisão. Embora os resultados de segmentação visual dos modelos no conjunto de dados de teste inicial variem, ambos os modelos abordam com sucesso as tarefas mencionadas anteriormente. Quando testado em um novo conjunto de dados com padrões não vistos, foi mostrado que o YOLOv8-seg se destaca em generalizar para novos padrões, enquanto o Mask R-CNN tem um desempenho menos eficaz. Este estudo confirma a eficácia do YOLOv8-seg no monitoramento em tempo real de PCB durante a limpeza a laser, aumentando a automação e eficiência na reciclagem de PCB.