ИИ-рентген: интеллектуальная диагностика печатных плат с помощью нейросетей

14 Авг в 14:28 Прокомментировать Просмотры: 0

Пример реализации алгоритма

Постоянное ужесточение требований к надежности электронных модулей и скорости их инспекции обуславливает необходимость сквозной автоматизации рентгенографического контроля. Интеграция методов глубокого обучения способна вывести данную технологию на принципиально иной качественный уровень. Однако главным барьером на пути внедрения остается острый дефицит специализированных размеченных наборов данных.

В настоящем материале представлен практический опыт классификации и локализации интегральных схем на рентгеновских снимках с применением архитектуры YOLO.

Специфика и сложности работы с данными:

1. Дефицит доступных выборок

В отличие от сферы медицинской диагностики, в микроэлектронике практически отсутствуют общедоступные датасеты. Широкое разнообразие рентгенографических комплексов с индивидуальными аппаратными характеристиками существенно затрудняет формирование универсальных обучающих массивов.

2. Значительная внутриклассовая вариативность

Компоненты, принадлежащие к одной категории в соответствии со стандартами IPC, с точки зрения компьютерного зрения могут обладать совершенно несхожей визуальной структурой.

3. Межклассовое визуальное сходство

Изделия из различных функциональных групп зачастую демонстрируют внешнее подобие на снимках. Отраслевые стандарты на ЭКБ формировались без учета требований последующего автоматизированного оптического анализа.

4. Высокое разрешение и масштабный фактор

В зависимости от конфигурации съемки и кратности увеличения целевой элемент может занимать от 1% до половины площади кадра, что снова упирается в технические различия между установками контроля.

Формирование выборки и используемая модель

С помощью дефектоскопической системы «ПРОДИС.Электро» было получено 500 рентгенограмм корпусов микросхем следующих категорий: BGA, SOP и QFN/QFP. В качестве базового детектора задействована сверточная сеть YOLO, которая осуществляет предсказание ограничивающих рамок и вероятностных оценок классов за один проход.

Интеграция SAHI

Для повышения качества обнаружения малоразмерных объектов на изображениях сверхвысокого разрешения использовалась библиотека SAHI (Slicing Aided Hyper Inference). В ее основе лежит нарезка исходного кадра на фрагменты (слайсы), которые независимо подаются на вход нейросети для формирования итогового прогноза.

Ограничения подхода SAHI

Существенным недостатком алгоритма выступают высокие временные затраты на инференс, что требует дополнительной оптимизации.

Альтернативная стратегия

Исходные снимки высокого разрешения (>3000×3000 пикселей) предварительно разбиваются на отдельные сегменты, на базе которых осуществляется прямое обучение нейросетевой модели.

Заключение и направления развития

Эксперименты подтвердили состоятельность применения детекторов семейства YOLO для автоматической идентификации электронных компонентов на рентгенограммах печатных узлов.
Предварительная нарезка исходных крупноформатных кадров на перекрывающиеся фрагменты является эффективным методом повышения точности детекции без потери детализации.
Дальнейшее совершенствование системы предполагает разработку адаптивного механизма калибровки под условия экспозиции (габариты платы, коэффициент масштабирования и пр.), что позволит достичь оптимального баланса между вычислительной скоростью и надежностью распознавания.