論文の概要: PCB Component Detection using Computer Vision for Hardware Assurance
- arxiv url: http://arxiv.org/abs/2202.08452v1
- Date: Thu, 17 Feb 2022 05:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 15:19:36.148119
- Title: PCB Component Detection using Computer Vision for Hardware Assurance
- Title（参考訳）: ハードウェア保証のためのコンピュータビジョンを用いたPCB成分検出
- Authors: Wenwei Zhao, Suprith Gurudu, Shayan Taheri, Shajib Ghosh, Mukhil
Azhagan Mallaiyan Sathiaseelan, Navid Asadizanjani
- Abstract要約: 本研究は,意味データを用いたPCBコンポーネント検出の課題に対して,コンピュータビジョンに基づく様々な特徴の利点と限界について検討する。
本研究は,PCB成分検出において,色特徴が有望な性能を示すことを示した。
- 参考スコア（独自算出の注目度）: 0.3058340744328236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Printed Circuit Board (PCB) assurance in the optical domain is a crucial
field of study. Though there are many existing PCB assurance methods using
image processing, computer vision (CV), and machine learning (ML), the PCB
field is complex and increasingly evolving so new techniques are required to
overcome the emerging problems. Existing ML-based methods outperform
traditional CV methods, however they often require more data, have low
explainability, and can be difficult to adapt when a new technology arises. To
overcome these challenges, CV methods can be used in tandem with ML methods. In
particular, human-interpretable CV algorithms such as those that extract color,
shape, and texture features increase PCB assurance explainability. This allows
for incorporation of prior knowledge, which effectively reduce the number of
trainable ML parameters and thus, the amount of data needed to achieve high
accuracy when training or retraining an ML model. Hence, this study explores
the benefits and limitations of a variety of common computer vision-based
features for the task of PCB component detection using semantic data. Results
of this study indicate that color features demonstrate promising performance
for PCB component detection. The purpose of this paper is to facilitate
collaboration between the hardware assurance, computer vision, and machine
learning communities.
- Abstract（参考訳）: 光領域におけるプリント回路基板(PCB)の保証は重要な研究分野である。
画像処理やコンピュータビジョン(CV)、機械学習(ML)といった既存のPCB保証手法は数多く存在するが、PCB分野は複雑で進化が進んでいるため、新たな技術が求められている。
既存のMLベースの手法は従来のCV法よりも優れているが、多くのデータを必要とし、説明可能性も低く、新しい技術が出現しても適応が難しい。
これらの課題を克服するために、CVメソッドはMLメソッドとのタンデムで使用できる。
特に、色、形状、テクスチャの特徴を抽出するような人間の解釈可能なCVアルゴリズムは、PCB保証説明可能性を高める。
これにより、事前知識を組み込むことで、トレーニング可能なMLパラメータの数を効果的に減らし、MLモデルのトレーニングや再トレーニングにおいて高い精度を達成するために必要なデータの量を実現できる。
そこで本研究では, セマンティックデータを用いたPCBコンポーネント検出作業において, コンピュータビジョンに基づく様々な特徴の利点と限界について検討する。
本研究は,PCB成分検出において,色特徴が有望な性能を示すことを示した。
本研究の目的は,ハードウェア保証,コンピュータビジョン,機械学習コミュニティ間のコラボレーションを促進することである。
関連論文リスト
- YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。
本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。
大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
論文 参考訳（メタデータ） (2024-07-22T07:08:22Z) - Detecting Manufacturing Defects in PCBs via Data-Centric Machine
Learning on Solder Paste Inspection Features [0.0]
SPI(Solder Paste Inspection)とAOI(Automated Optical Inspection)を用いたプリント基板(PCB)製造における欠陥の自動検出は、作業効率の向上と手作業による介入の必要性の低減に寄与する。
我々は、PCB製造の3段階において、PCB欠陥を検出するために機械学習(ML)モデルを訓練するためのデータ中心のアプローチを実証する。
論文 参考訳（メタデータ） (2023-09-06T15:52:55Z) - PCBDet: An Efficient Deep Neural Network Object Detection Architecture
for Automatic PCB Component Detection on the Edge [48.7576911714538]
PCBDetは、最先端の推論スループットを提供するアテンションコンデンサネットワーク設計である。
他の最先端のアーキテクチャ設計に比べて優れたPCBコンポーネント検出性能を実現している。
論文 参考訳（メタデータ） (2023-01-23T04:34:25Z) - FPIC: A Novel Semantic Dataset for Optical PCB Assurance [7.027992770055891]
我々は、最先端の自動光学検査(AOI)技術についてレビューし、機械学習(ML)ソリューションに対する強固で急激な傾向を観察する。
これらは、公開されているPCBデータ空間に欠けている、大量のラベル付き真実データを必要とする。
本稿では,FICSイメージコレクション(FPIC)データセットを提案する。
論文 参考訳（メタデータ） (2022-02-17T02:29:58Z) - A Practical Contrastive Learning Framework for Single-Image
Super-Resolution [51.422185656787285]
コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。
SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。
既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
論文 参考訳（メタデータ） (2021-11-27T15:42:12Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Machine Learning based Indicators to Enhance Process Monitoring by
Pattern Recognition [0.4893345190925177]
パターンタイプと強度を組み合わせた機械学習に基づく指標のための新しいフレームワークを提案する。
半導体産業のケーススタディでは,従来のプロセス制御を越え,高品質な実験結果を得る。
論文 参考訳（メタデータ） (2021-03-24T10:13:20Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳（メタデータ） (2020-05-11T09:53:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。