Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards
The article reviews and analyzes modern solutions based on neural networks for diagnostics and quality control of printed circuit boards (PCB). Various convolutional neural network (CNN) models, including LeNet-5, AlexNet, VGGNet, ResNet, and others, are reviewed, and their advantages and disadvanta...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2025
|
| Schlagworte: | |
| Online Zugang: | http://drsp.ipri.kiev.ua/article/view/336051 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Data Recording, Storage & Processing |
Institution
Data Recording, Storage & Processing| id |
drspiprikievua-article-336051 |
|---|---|
| record_format |
ojs |
| institution |
Data Recording, Storage & Processing |
| baseUrl_str |
|
| datestamp_date |
2025-08-09T14:55:54Z |
| collection |
OJS |
| language |
English |
| topic |
quality control defect detection neural networks artificial intelligence printed circuit boards YOLO optical inspection |
| spellingShingle |
quality control defect detection neural networks artificial intelligence printed circuit boards YOLO optical inspection Верлань , А.А. Фастовець , Є.Р. Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| topic_facet |
контроль якості виявлення дефектів нейронні мережі штучний інтелект друковані плати YOLO оптична інспекція quality control defect detection neural networks artificial intelligence printed circuit boards YOLO optical inspection |
| format |
Article |
| author |
Верлань , А.А. Фастовець , Є.Р. |
| author_facet |
Верлань , А.А. Фастовець , Є.Р. |
| author_sort |
Верлань , А.А. |
| title |
Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_short |
Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_full |
Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_fullStr |
Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_full_unstemmed |
Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_sort |
overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards |
| title_alt |
Огляд і порівняння моделей нейронних мереж для діагностування та контролю якості у виробництві печатних плат |
| description |
The article reviews and analyzes modern solutions based on neural networks for diagnostics and quality control of printed circuit boards (PCB). Various convolutional neural network (CNN) models, including LeNet-5, AlexNet, VGGNet, ResNet, and others, are reviewed, and their advantages and disadvantages are discussed. The YOLO (You Only Look Once) model, which is capable of detecting objects in real time at high speed, is considered in more detail. First part gives a general overview of neural networks and their work in the context of working with visual data. Next, the article addresses individual CNN models and their use in the context of PCB diagnostics and control. The work provides a comparative analysis of actions and results of application of neural networks and traditional testing methods along with the challenges and prospects. |
| publisher |
Інститут проблем реєстрації інформації НАН України |
| publishDate |
2025 |
| url |
http://drsp.ipri.kiev.ua/article/view/336051 |
| work_keys_str_mv |
AT verlanʹaa overviewandcomparisonofneuralnetworkmodelsfordiagnosticsandqualitycontrolintheproductionofprintedcircuitboards AT fastovecʹêr overviewandcomparisonofneuralnetworkmodelsfordiagnosticsandqualitycontrolintheproductionofprintedcircuitboards AT verlanʹaa oglâdíporívnânnâmodelejnejronnihmereždlâdíagnostuvannâtakontrolûâkostíuvirobnictvípečatnihplat AT fastovecʹêr oglâdíporívnânnâmodelejnejronnihmereždlâdíagnostuvannâtakontrolûâkostíuvirobnictvípečatnihplat |
| first_indexed |
2025-09-17T09:26:44Z |
| last_indexed |
2025-09-17T09:26:44Z |
| _version_ |
1851774436387061760 |
| spelling |
drspiprikievua-article-3360512025-08-09T14:55:54Z Overview and comparison of neural network models for diagnostics and quality control in the production of printed circuit boards Огляд і порівняння моделей нейронних мереж для діагностування та контролю якості у виробництві печатних плат Верлань , А.А. Фастовець , Є.Р. контроль якості, виявлення дефектів, нейронні мережі, штучний інтелект, друковані плати, YOLO, оптична інспекція quality control, defect detection, neural networks, artificial intelligence, printed circuit boards, YOLO, optical inspection The article reviews and analyzes modern solutions based on neural networks for diagnostics and quality control of printed circuit boards (PCB). Various convolutional neural network (CNN) models, including LeNet-5, AlexNet, VGGNet, ResNet, and others, are reviewed, and their advantages and disadvantages are discussed. The YOLO (You Only Look Once) model, which is capable of detecting objects in real time at high speed, is considered in more detail. First part gives a general overview of neural networks and their work in the context of working with visual data. Next, the article addresses individual CNN models and their use in the context of PCB diagnostics and control. The work provides a comparative analysis of actions and results of application of neural networks and traditional testing methods along with the challenges and prospects. Розглянуто сучасні підходи до виявлення дефектів друкованих плат на основі нейронних мереж, зокрема згорткових нейронних мереж (CNN). Проблема контролю якості у виробництві друкованих плат (PCB) є надзвичайно актуальною, оскільки навіть незначні дефекти можуть спричинити повну несправність електронних пристроїв. Традиційні методи, такі як візуальний контроль або оптична інспекція, мають обмеження в точності та вимагають дорогого обладнання. Натомість, моделі CNN, завдяки здатності до автоматичного виділення ознак і високої точності при роботі із зображеннями, відкривають нові можливості для автоматизованого контролю якості. Особливу увагу приділено моделі YOLO (You Only Look Once), яка забезпечує обробку зображень у реальному часі з високою швидкістю. Модифікації YOLO, такі як YOLOv8, YOLO-RRL та LW-YOLO, демонструють баланс між точністю, продуктивністю та низькими вимогами до обчислювальних ресурсів. Наприклад, LW-YOLO досягає точності 97,1 % при 141,5 FPS, що ро-бить її придатною для використання на виробничих лініях. Проведено порівняння інших моделей CNN, таких як LeNet-5, AlexNet, VGGNet, GoogLeNet (Inception), ResNet, DenseNet, MobileNet та EfficientNet. Кожна із моделей має власні переваги залежно від задач — це глибина, швидкість, споживання ресурсів, здатність працювати з малими об’єктами та стійкість до перешкод. Наприклад, ResNet здатна ефективно навчатися навіть у дуже глибоких архітектурах, тоді як EfficientNet оптимізовано для балансу між продуктивністю та точністю. Розглянуто методологію застосування нейронних мереж у контролі якості: від підготовки та розмітки даних, попередньої обробки зображень, вибору архітектури моделі, до навчання, тестування та впровадження у виробничі лінії. Наведено формальні критерії вибору моделі з урахуванням специфіки галузі, а саме: точність виявлення дефектів, швидкість обробки, робота з дрібними деталями, стійкість до шуму, адаптивність, масштабованість, ефективність використання ресурсів, надійність і вартість впровадження. YOLO, завдяки своїй швидкості та універсальності, займає провідне місце у завданнях виявлення дефектів у реальному часі. Її здатність обробляти зображення цілісно та визначати координати дефектів дозволяє ефективно виявляти проблеми навіть на складних багатошарових платах. Індустріальні модифікації, такі як LW-YOLO або YOLO-RRL, дозволяють масштабувати рішення під конкретні обмеження обладнання та виробничі потреби. У результаті дослідження зроблено висновок, що CNN-моделі, зокрема LW-YOLO та YOLOv8, є найбільш оптимальними для використання в завданнях контролю якості друкованих плат. Подальші дослідження у цій сфері мають важливе значення для забезпечення ще більшої точності та ефективності виробничих процесів у майбутньому. Інститут проблем реєстрації інформації НАН України 2025-05-20 Article Article application/pdf http://drsp.ipri.kiev.ua/article/view/336051 10.35681/1560-9189.2025.27.1.336051 Data Recording, Storage & Processing; Vol. 27 No. 1 (2025); 110-119 Регистрация, хранение и обработка данных; Том 27 № 1 (2025); 110-119 Реєстрація, зберігання і обробка даних; Том 27 № 1 (2025); 110-119 1560-9189 en http://drsp.ipri.kiev.ua/article/view/336051/324967 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних |