論文の概要: Detecting Manufacturing Defects in PCBs via Data-Centric Machine
Learning on Solder Paste Inspection Features
- arxiv url: http://arxiv.org/abs/2309.03113v1
- Date: Wed, 6 Sep 2023 15:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 14:45:05.871476
- Title: Detecting Manufacturing Defects in PCBs via Data-Centric Machine
Learning on Solder Paste Inspection Features
- Title（参考訳）: ソルダペースト検査機能を用いたデータ中心機械学習によるPCB製造欠陥の検出
- Authors: Jubilee Prasad-Rao, Roohollah Heidary and Jesse Williams
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated detection of defects in Printed Circuit Board (PCB) manufacturing
using Solder Paste Inspection (SPI) and Automated Optical Inspection (AOI)
machines can help improve operational efficiency and significantly reduce the
need for manual intervention. In this paper, using SPI-extracted features of 6
million pins, we demonstrate a data-centric approach to train Machine Learning
(ML) models to detect PCB defects at three stages of PCB manufacturing. The 6
million PCB pins correspond to 2 million components that belong to 15,387 PCBs.
Using a base extreme gradient boosting (XGBoost) ML model, we iterate on the
data pre-processing step to improve detection performance. Combining pin-level
SPI features using component and PCB IDs, we developed training instances also
at the component and PCB level. This allows the ML model to capture any
inter-pin, inter-component, or spatial effects that may not be apparent at the
pin level. Models are trained at the pin, component, and PCB levels, and the
detection results from the different models are combined to identify defective
components.
- Abstract（参考訳）: 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役立つ。
本稿では,600万ピンのSPI抽出機能を用いて,PCB製造の3段階におけるPCB欠陥を検出する機械学習(ML)モデルをトレーニングするためのデータ中心のアプローチを示す。
600万のPCBピンは、15,387のPCBに属する200万のコンポーネントに対応している。
base extreme gradient boosting (xgboost) mlモデルを用いて,データの事前処理ステップを反復して検出性能を向上させる。
ピンレベルのSPI機能をコンポーネントとPCB IDで組み合わせて,PCBレベルのトレーニングインスタンスを開発した。
これにより、mlモデルはピンレベルでは明らかでないピン間、コンポーネント間、または空間的効果をキャプチャできる。
モデルはピン、コンポーネント、PCBレベルで訓練され、異なるモデルからの検出結果を組み合わせて欠陥成分を識別する。
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) - SMPLer: Taming Transformers for Monocular 3D Human Shape and Pose Estimation [74.07836010698801]
この問題に対処するために,SMPLベースのトランスフォーマーフレームワーク(SMPLer)を提案する。
SMPLerは、切り離された注意操作とSMPLベースのターゲット表現の2つの重要な要素を組み込んでいる。
SMPLerの既存の3次元人体形状に対する効果とポーズ推定方法の実証実験を行った。
論文 参考訳（メタデータ） (2024-04-23T17:59:59Z) - 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) - The Lazy Neuron Phenomenon: On Emergence of Activation Sparsity in
Transformers [59.87030906486969]
本稿では,Transformer アーキテクチャを用いた機械学習モデルにおいて,アクティベーションマップが疎いという興味深い現象について考察する。
本稿では, 自然言語処理と視覚処理の両方において, スパーシリティが顕著な現象であることを示す。
本稿では,変換器のFLOP数を大幅に削減し,効率を向上する手法について論じる。
論文 参考訳（メタデータ） (2022-10-12T15:25:19Z) - PCB Component Detection using Computer Vision for Hardware Assurance [0.3058340744328236]
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。
論文 参考訳（メタデータ） (2022-02-17T05:46:53Z) - 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) - ChangeChip: A Reference-Based Unsupervised Change Detection for PCB
Defect Detection [0.8057006406834467]
そこで本研究では,PCBの欠陥検出システムであるChangeChipを紹介する。
また,欠陥検出アルゴリズムの評価のために,20対のPCB画像からなるラベル付きデータセットであるCD-PCBを提案する。
論文 参考訳（メタデータ） (2021-09-13T07:10:07Z) - Fault-tolerant parity readout on a shuttling-based trapped-ion quantum
computer [64.47265213752996]
耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。
フラグ条件パリティ測定の単発忠実度は93.2(2)%である。
このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
論文 参考訳（メタデータ） (2021-07-13T20:08:04Z) - PCB-Fire: Automated Classification and Fault Detection in PCB [0.0]
著者らは、欠落したコンポーネントを検出し、それらを資源的に分類する新しいソリューションを提案する。
提案アルゴリズムは、与えられたデータセットの結果の最適化に使用される画素理論とオブジェクト検出に重点を置いている。
論文 参考訳（メタデータ） (2021-02-22T05:19:22Z) - Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A
Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。
本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文 参考訳（メタデータ） (2020-07-03T23:44:21Z)
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。