Detecção de defeitos de fabricação em placas de circuito impresso através de visão computacional e aprendizado profundo

• Autor(a) principal: Morais, Lucas Eduardo Corazza
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/266180
• topic: Aprendizado de máquina; Placa de circuito impresso; Detecção de falhas; Deep learning; Object detection; PCB manufacturing defects; Faster R-CNN; Pruning; Quantization

O trabalho compreende o treinamento de um modelo de Aprendizado Profundo para a detecção de defeitos de fabricação em Placas de Circuito Impresso, utilizando as topologias de Rede Neurais Convolucionais Tiny-YOLOv4, YOLOv5 e Faster R-CNN, e sua posterior adaptação a uma plataforma de hardware limitado Raspberry Pi 3B+ Para o treinamento de validação dos modelos, foi utilizada a base de dados PCB Defect Dataset (DING et al., 2019). No decorrer do trabalho, foi utilizada a técnica de pruning não estruturado L1, considerando diferentes níveis de esparsidade, e a quantização de pesos dos modelos, nos formatos numéricos 32 bits ponto flutuante, 16 bits ponto flutuante e 8 bits inteiro, por meio das bibliotecas ONNX e TFLite, visando diminuir a carga computacional e tamanho de memória ocupado pelo modelo. Após avaliação dos resultados obtidos com as diferentes topologias, considerando a aplicação das técnicas de pruning e quantização, um modelo final foi selecionado, segundo o critério da aproximação da Curva de Pareto, e testado na plataforma Raspberry Pi 3B+. Os resultados, obtidos com o modelo YOLOv5, submetido ao pruning e quantizado, na plataforma Raspberry Pi, são de mAP(IoU=0,5) de 0,972 e tempo de inferência de 1,872 segundos, demonstrando a viabilididade desta abordagem.