每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

基于 YOLO 目标检测模型的量产电子元件自动缺陷检测

Created by
  • Haebom

作者

毛卫龙、王春吉、周博恒、刘彦廷

DIP元件缺陷自动检测系统

大纲

本文提出了一种用于工业领域广泛使用的双列直插式封装 (DIP) 元件的自动化缺陷检测系统。为了解决传统手动缺陷检测耗时耗力的问题，我们利用数码相机和基于深度学习的模型。我们检测 DIP 元件中的两种主要缺陷类型（表面缺陷和引脚腿缺陷），并利用 ConSinGAN 来应对训练和测试所需的有限数据集。我们比较并分析了各种采用 ConSinGAN 增强的 YOLO 模型（v3、v4、v7 和 v9）。YOLOv7 与 ConSinGAN 相结合，展现出最佳性能，准确率高达 95.50%，检测时间为 285 毫秒。此外，我们还开发了一个 SCADA 系统并描述了其相关的传感器架构。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了一种自动化的DIP元件缺陷检测系统，以提高质量控制效率。
◦
为了解决数据短缺问题，我们提出了一种使用 ConSinGAN 生成合成数据的方法。
◦
比较分析各种YOLO模型，选择最优模型。
◦
开发 SCADA 系统以提高其在实际工业现场的适用性。
•
Limitations：
◦
限制仅适用于某些 DIP 组件
◦
需要进一步研究其他缺陷类型的检测性能。
◦
ConSinGAN 生成的数据与实际缺陷数据之间的差异
◦
缺乏有关 SCADA 系统具体实施和性能评估的信息。
👍
Made with Slashpage