Detecção de Defeitos em Placas de Circuito Impresso com YOLOv10 Otimizado por Ghost Convolution

• Gabriel Mitoso UEA / INDT
• Tiago de Melo UEA

DOI: https://doi.org/10.5753/semish.2025.8121

Resumo

A inspeção automatizada de Placas de Circuito Impresso (PCIs) desempenha um papel fundamental na garantia da qualidade e confiabilidade na indústria eletrônica. Neste trabalho, propõe-se a aplicação do modelo YOLOv10 para a detecção de defeitos em PCIs, com otimizações na arquitetura do backbone por meio da técnica de convolução fantasma (Ghost Convolution), visando reduzir a complexidade computacional sem comprometer a precisão. Os experimentos foram realizados utilizando os modelos YOLOv10 Nano, Small e Medium, treinados com um conjunto de dados públicos contendo 10.668 imagens. Os resultados demonstraram que a modificação do backbone permitiu reduzir o número de parâmetros e GFLOPs, aumentando o FPS do modelo Small de 128 para 150 e mantendo um mAP@50 de 99,22%, superando abordagens anteriores da literatura. Esses resultados indicam que a técnica de convolução fantasma pode ser uma solução eficiente para aplicações industriais em tempo real, possibilitando sua adoção em outros modelos e contextos computacionalmente restritos.

Referências

Ancha, V. K., Sibai, F. N., Gonuguntla, V., and Vaddi, R. (2024). Utilizing yolo models for real-world scenarios: Assessing novel mixed defect detection dataset in pcbs. IEEE Access.

Bhattacharya, A. and Cloutier, S. G. (2022). End-to-end deep learning framework for printed circuit board manufacturing defect classification. Scientific reports, 12(1):12559.

Bochie, K., da Silva Gilbert, M., Gantert, L., Barbosa, M. d. S. M., de Medeiros, D. S. V., and Campista, M. E. M. (2020). Aprendizado profundo em redes desafiadoras: Conceitos e aplicações. Sociedade Brasileira de Computação.

Chen, B. and Dang, Z. (2023). Fast pcb defect detection method based on fasternet backbone network and cbam attention mechanism integrated with feature fusion module in improved yolov7. Ieee Access, 11:95092–95103.

Chen, X., Wu, Y., He, X., and Ming, W. (2023). A comprehensive review of deep learning-based pcb defect detection. IEEE Access.

Ding, R., Dai, L., Li, G., and Liu, H. (2019). Tdd-net: a tiny defect detection network for printed circuit boards. CAAI Transactions on Intelligence Technology, 4(2):110–116.

Fonseca, L. A. L. O., Iano, Y., Oliveira, G. G. d., Vaz, G. C., Carnielli, G. P., Pereira, J. C., and Arthur, R. (2024). Automatic printed circuit board inspection: a comprehensible survey. Discover Artificial Intelligence, 4(1):10.

Han, K., Wang, Y., Tian, Q., Guo, J., Xu, C., and Xu, C. (2020). Ghostnet: More features from cheap operations. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).

Huang, W., Wei, P., Zhang, M., and Liu, H. (2020). Hripcb: a challenging dataset for pcb defects detection and classification. The Journal of Engineering, 2020(13):303–309.

Hussain, M. (2024). Yolov5, yolov8 and yolov10: The go-to detectors for real-time vision. arXiv preprint arXiv:2407.02988.

Jiang, P., Ergu, D., Liu, F., Cai, Y., and Ma, B. (2022). A review of yolo algorithm developments. Procedia computer science, 199:1066–1073.

Jiao, L., Zhang, F., Liu, F., Yang, S., Li, L., Feng, Z., and Qu, R. (2019). A survey of deep learning-based object detection. IEEE access, 7:128837–128868.

Kim, J., Ko, J., Choi, H., and Kim, H. (2021). Printed circuit board defect detection using deep learning via a skip-connected convolutional autoencoder. Sensors, 21(15):4968.

Ling, Q. and Isa, N. A. M. (2023). Printed circuit board defect detection methods based on image processing, machine learning and deep learning: A survey. IEEE Access, 11:15921–15944.

Morais, L. E. C. (2023). Detecção de defeitos de fabricação em placas de circuito impresso através de visão computacional e aprendizado profundo. [sn].

Niu, J., Li, H., Chen, X., and Qian, K. (2023). An improved yolov5 network for detection of printed circuit board defects. Journal of Sensors, 2023(1):7270093.

Park, J.-H., Kim, Y.-S., Seo, H., and Cho, Y.-J. (2023). Analysis of training deep learning models for pcb defect detection. Sensors, 23(5):2766.

Rodrigues, R. B. (2023). O uso de redes neurais artificiais na análise óptica automática e detecção de defeitos em circuitos impressos. PhD thesis, [sn].

Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., and Ding, G. (2024). Yolov10: Real-time end-to-end object detection. arXiv preprint arXiv:2405.14458.

Zhou, Y., Yuan, M., Zhang, J., Ding, G., and Qin, S. (2023). Review of vision-based defect detection research and its perspectives for printed circuit board. Journal of Manufacturing Systems, 70:557–578.