論文の概要: Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11

• arxiv url: http://arxiv.org/abs/2501.06879v1
• Date: Sun, 12 Jan 2025 17:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:26:59.738338
• Title: Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11
• Title（参考訳）: GAN強化YOLOv11に基づくPCB回路デバイスの欠陥検出ネットワーク
• Authors: Jiayi Huang, Feiyun Zhao, Lieyang Chen,
• Abstract要約: 本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
• 参考スコア（独自算出の注目度）: 1.6775954077761863
• License:
• Abstract: This study proposes an advanced method for surface defect detection in printed circuit boards (PCBs) using an improved YOLOv11 model enhanced with a generative adversarial network (GAN). The approach focuses on identifying six common defect types: missing hole, rat bite, open circuit, short circuit, burr, and virtual welding. By employing GAN to generate synthetic defect images, the dataset is augmented with diverse and realistic patterns, improving the model's ability to generalize, particularly for complex and infrequent defects like burrs. The enhanced YOLOv11 model is evaluated on a PCB defect dataset, demonstrating significant improvements in accuracy, recall, and robustness, especially when dealing with defects in complex environments or small targets. This research contributes to the broader field of electronic design automation (EDA), where efficient defect detection is a crucial step in ensuring high-quality PCB manufacturing. By integrating advanced deep learning techniques, this approach enhances the automation and precision of defect detection, reducing reliance on manual inspection and accelerating design-to-production workflows. The findings underscore the importance of incorporating GAN-based data augmentation and optimized detection architectures in EDA processes, providing valuable insights for improving reliability and efficiency in PCB defect detection within industrial applications.
• Abstract（参考訳）: そこで本研究では,GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 GANを使用して合成欠陥画像を生成することにより、データセットは多様で現実的なパターンで拡張され、特にバーのような複雑で頻繁な欠陥に対して、モデルを一般化する能力が改善される。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、特に複雑な環境や小さなターゲットの欠陥を扱う場合、精度、リコール、堅牢性を大幅に改善した。 この研究は電子設計自動化(EDA)の幅広い分野に寄与し、高品質なPCB製造において、効率的な欠陥検出が重要なステップである。 高度なディープラーニング技術を統合することで、欠陥検出の自動化と精度を高め、手動検査への依存を低減し、設計から運用までのワークフローを高速化する。 この結果は,産業アプリケーションにおけるPCB欠陥検出の信頼性と効率を向上させる上で,GANベースのデータ拡張と最適化された検出アーキテクチャをEDAプロセスに組み込むことの重要性を浮き彫りにしている。

関連論文リスト

• Focused-DPO: Enhancing Code Generation Through Focused Preference Optimization on Error-Prone Points [51.40935517552926]
  Focused-DPOは、優先度最適化を重要なエラー発生箇所に向けることで、コード生成を強化するフレームワークである。 エラーを起こしやすい点に焦点を当てることで、Focused-DPOはモデル生成コードの正確性と機能を向上させる。
  論文  参考訳（メタデータ） (2025-02-17T06:16:02Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Scalable AI Framework for Defect Detection in Metal Additive Manufacturing [2.303463009749888]
  我々は、畳み込みニューラルネットワーク(CNN)を利用してプリント層の熱画像を分析し、これらの特性に影響を与える異常を自動的に識別する。 我々はこれらのモデルをCLoud ADditive Manufacturing (CLADMA)モジュールに統合し、AMアプリケーションのアクセシビリティと実用性を向上させる。
  論文  参考訳（メタデータ） (2024-11-01T18:17:59Z)
• Enhancing Printed Circuit Board Defect Detection through Ensemble Learning [8.680295020998875]
  本稿では,このギャップに対処するためのアンサンブル学習戦略を活用した総合的な検査フレームワークを提案する。 我々は最先端手法を用いた4つの異なるPCB欠陥検出モデルを利用する。 比較分析の結果,我々のアンサンブル学習フレームワークは個々の手法よりも優れており,多様なPCB欠陥の検出において95%の精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-09-14T23:34:12Z)
• Enhanced Fault Detection and Cause Identification Using Integrated Attention Mechanism [0.3749861135832073]
  本研究では、双方向長短期記憶(BiLSTM)ニューラルネットワークと統合注意機構(IAM)を統合することにより、テネシー・イーストマン・プロセス(TEP)内の障害検出と原因特定のための新しい手法を提案する。 IAMは、スケールドドット製品に対する注意力、残留注意力、動的注意力を組み合わせて、TEP障害検出に不可欠な複雑なパターンや依存関係をキャプチャする。 BiLSTMネットワークはこれらの特徴を双方向に処理して長距離依存関係をキャプチャし、IAMは出力をさらに改善し、故障検出結果が改善された。
  論文  参考訳（メタデータ） (2024-07-31T12:01:57Z)
• 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)
• Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling [0.0]
  本研究では,小型ネットワーク用に特別に設計されたYou Only Look Once (YOLOv5)に基づくリアルタイム金属表面欠陥検出モデルを提案する。 実験結果から,改良されたモデルでは,精度と検出時間において,他のモデルよりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2024-06-19T08:08:49Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• 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)
• TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
  TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。 TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
  論文  参考訳（メタデータ） (2021-11-29T04:19:28Z)

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。