ДІАГНОСТИКА ДРУКОВАНИХ ПЛАТ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Анотація

Стаття присвячена інтерпретовній структурі YOLOv11-Grad-CAM для вдосконаленого автоматизованого
оптичного контролю друкованих плат. Критична потреба в надійності електронного виробництва підкреслює
необхідність вдосконаленого контролю якості. Автоматизований оптичний контроль друкованих плат
залишається наріжним каменем цього процесу. Однак традиційні методи, включаючи шаблонне зіставлення та
ручну інспекцію, часто є недостатніми з точки зору стійкості та масштабованості для сучасних обсягів
виробництва. Хоча моделі глибокого навчання продемонстрували вищу продуктивність у виявленні дефектів, їхня
властива неінтерпретовність створює значну перешкоду для впровадження у виробничих середовищах з
високими ставками. Це дослідження долає цей розрив шляхом представлення інтерпретовної структури глибокого
навчання, яка інтегрує сучасну архітектуру YOLOv11n для виявлення дефектів у реальному часі з Gradientweighted Class Activation Mapping для пояснюваності моделі. Ця інтеграція забезпечує прозоре візуальне
обґрунтування прогнозів моделі шляхом виділення дискримінативних ознак. Запропоновану структуру було
оцінено на публічному наборі даних HRIPCB, який включає 1386 зображень, що охоплюють шість поширених
класів дефектів. Вона досягла середньої середньої точності (mAP@0.5) на рівні 87,4 відсотка, суттєво
перевершивши як традиційний класифікатор SVM, так і базову модель YOLOv8n. Основним внеском цієї роботи
є нове та систематичне поєднання високошвидкісного виявлення об'єктів з принципами пояснюваного штучного
інтелекту, адаптоване для контролю друкованих плат. Завдяки одночасному досягненню високої точності,
виявленню в реальному часі та критичній інтерпретовності, ця структура пропонує життєздатне та надійне
рішення для промислових систем автоматизованого оптичного контролю. Метою цього дослідження є розробка
інтерпретовної структури виявлення дефектів для автоматизованого оптичного контролю друкованих плат, яка
забезпечує як високу точність, так і прозоре прийняття рішень. Для досягнення цієї мети було виконано наступні
завдання: вибір та налаштування моделі YOLOv11n для виявлення дефектів друкованих плат; навчання та
оцінювання на наборі даних HRIPCB; інтеграція Grad-CAM у конвеєр виявлення для візуального пояснення;
порівняння з базовими методами, включаючи SVM та YOLOv8n; кількісне вимірювання продуктивності з
використанням mAP, точності та повноти разом із якісною документацією за допомогою візуальних теплових
карт.
Ключові слова: контроль якості; виявлення дефектів; нейронні мережі; штучний інтелект; друковані
плати; Grad-CAM; YOLO11n; глибоке навчання.

Перелік посилань
1. Evgeniou T., Pontil M. Support vector machines: theory and applications. Machine Learning and Its
Applications: Advanced Lectures. 2001. Vol. 2049. P. 249-257. DOI: https://doi.org/10.1007/3-540-44673-7_12.
2. Gamini P., Yasaswini A., Lakshmi N., Kumar C., Manikanta A., Sandeep B., Students B. Defect detection in
PCB using image processing. International Journal of Advanced Science and Technology. 2020. Vol. 29, No. 4s. P. 1205–
1210.
3. Ge Y., Li Z., Meng L. YOLO-MSD: a robust industrial surface defect detection model via multi-scale feature
fusion. Applied Intelligence. 2025. Vol. 55, No. 12. Article 840. DOI: https://doi.org/10.1007/s10489-025-06739-0.
4. Huang W., Wei P., Zhang M., Liu H. HRIPCB: a challenging dataset for PCB defects detection and
classification. The Journal of Engineering. 2020. Vol. 2020, No. 13. P. 303–309. DOI:
https://doi.org/10.1049/joe.2019.1183.
5. Liu J., Kang B., Liu C., Peng X., Bai Y. YOLO-BFRV: an efficient model for detecting printed circuit board
defects. Sensors. 2024. Vol. 24, No. 18. Article 6055. DOI: https://doi.org/10.3390/s24186055.
6. Moraes A. M., Pugliese L. F., Santos R. F. d., Vitor G. B., Braga R. A. d. S., Silva F. R. d. Effectiveness of
YOLO architectures in tree detection: impact of hyperparameter tuning and SGD, Adam, and AdamW optimizers.
Standards. 2025. Vol. 5, No. 1. Article 9. DOI: https://doi.org/10.3390/standards5010009.
7. Muhammad M. B., Yeasin M. Eigen-CAM: class activation map using principal components. 2020
International Joint Conference on Neural Networks (IJCNN). IEEE, 2020. P. 1–7. DOI:
https://doi.org/10.1109/IJCNN48605.2020. 9206626.
8. Park J. H., Kim Y. S., Seo H., Cho Y. J. Analysis of training deep learning models for PCB defect detection.
Sensors. 2023. Vol. 23, No. 5. Article 2766. DOI: https://doi.org/10.3390/s23052766.
9. Purwono P., Wulandari A. N. E., Ma’arif A., Salah W. A. Understanding generative adversarial networks
(GANs): a review. Control Systems and Optimization Letters. 2025. Vol. 3, No. 1. P. 36–45. DOI: https://doi.org/
10.59247/csol.v3i1.170.
10. Ren S., He K., Girshick R., Sun J. Faster R-CNN: towards real-time object detection with region proposal
networks. arXiv. 2016. URL: https://arxiv.org/abs/1506.01497.
11. S D. A., Prathapchandra D., Ramachandra M. Fault detection in printed circuit board (PCB) using image
subtraction method. International Journal of Innovative Technology and Exploring Engineering. 2024. Vol. 13, No. 7. P.
1–6. DOI: https://doi.org/10.35940/ijitee.G9906.13070624.
12. Salman H., Kalakech A., Steiti A. Random Forest algorithm overview. Babylonian Journal of Machine
Learning. 2024. P. 69–79. DOI: https://doi.org/10.58496/BJML/2024/007.
13. Selvaraju R. R., Cogswell M., Das A., Vedantam R., Parikh D., Batra D. Grad-CAM: visual explanations from
deep networks via gradient-based localization. International Journal of Computer Vision. 2020. Vol. 128, No. 2. P. 336–
359. DOI: https://doi.org/10.1007/s11263-019-01228-7.
14. Tang S., He F., Huang X., Yang J. Online PCB defect detector on a new PCB defect dataset. arXiv. 2019. URL:
https://arxiv.org/abs/1902.06197.
15. Wang H., Wang Z., Du M., Yang F., Zhang Z., Ding S., Mardziel P., Hu X. Score-CAM: score-weighted visual
explanations for convolutional neural networks. arXiv. 2019. URL: https://arxiv.org/abs/1910.01279.
16. Xiang Z., Tan H., Ye W. The excellent properties of a dense grid-based HOG feature on face recognition
compared to Gabor and LBP. IEEE Access. 2018. Vol. 6. P. 29306–29319. DOI: https://doi.org/10.1109/ ACCESS.
2018.2813395.