Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341178| Заглавие документа: | Обнаружение дефектов печатных плат на изображениях |
| Другое заглавие: | Printed circuit board defects detection in images / V. V. Vengerenko, A. V. Inyutin |
| Авторы: | Венгеренко, В. В. Инютин, А. В. |
| Тема: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика |
| Дата публикации: | 2025 |
| Издатель: | Минск : БГУ |
| Библиографическое описание источника: | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 30-39. |
| Аннотация: | В мире наблюдается тенденция к использованию одностадийных детекторов и их облегченных версий, таких как YOLOv8, Faster R-CNN, RT-DETR и их модификации, для обнаружения дефектов печатных плат. Нейросетевые детекторы показывают высокую точность результатов даже при наличии бликов, защитного лака и текстовой информации на плате. В докладе рассмотрены современные нейросетевые детекторы дефектов печатных плат, классический алгоритмом сравнения с эталоном и гибридный подход на его основе. Предложенная модель YOLOv8n, дообученная на открытых датасетах DeepPCB и PCB Defect Dataset, демонстрирует значения mAP50 0,98 и 0,99, что сопоставимо или превосходит лучшие мировые результаты |
| Аннотация (на другом языке): | There is a global trend towards the use of one-stage detectors and their lightweight versions, such as YOLOv8, Faster R-CNN, RT-DETR and their modifications, to detect printed circuit board (PCB) defects. Neural network detectors show high accuracy of results even in the presence of glare, protective varnish and text information on the PCB. This paper examines modern neural network detectors of PCB defects, the classic reference-based PCB inspection algorithm and the hybrid approach based on it. The proposed YOLOv8n model, further trained on open datasets DeepPCB and PCB Defect Dataset, demonstrates the mAP50 values of 0.98 and 0.99, which is comparable or exceeds the best global results |
| Доп. сведения: | Раздел I. Компьютерное зрение и графика |
| URI документа: | https://elib.bsu.by/handle/123456789/341178 |
| ISBN: | 978-985-881-851-7 978-985-881-853-1 (ч. 2) |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | 2025. Информационные системы и технологии |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.