YOLOv9를 사용한 회로 기판(PCB) 표면 결함 감지
회로 기판(PCB)은 전자 부품의 기본 기판 역할을 하며 전자 산업에서 상당한 중요성을 가지고 있다. 더 가볍고 컴팩트한 전자 제품을 지향하는 추세에 따라 PCB 제조도 고밀도화 및 소형화로 나아가고 있으며, YOLO 모델을 기반으로 한 PCB 표면 결함 감지는 점점 더 어려운 연구 문제가 되고 있다. 인공 지능이 빠르게 발전함에 따라 자동 결함 감지를 위해 컨볼루션 신경망(CNN)을 활용하는 것은 PCB 표면 결함 감지를 위한 유망한 솔루션을 제공한다. 본 논문에서는 공유된 공개 데이터 세트에서 PCB 표면 결함 이미지를 훈련하고...
Saved in:
Published in | 한국콘텐츠학회 논문지, 25(3) pp. 40 - 49 |
---|---|
Main Authors | , , , |
Format | Journal Article |
Language | English |
Published |
한국콘텐츠학회
01.03.2025
|
Subjects | |
Online Access | Get full text |
ISSN | 1598-4877 2508-6723 |
DOI | 10.5392/JKCA.2025.25.03.040 |
Cover
Summary: | 회로 기판(PCB)은 전자 부품의 기본 기판 역할을 하며 전자 산업에서 상당한 중요성을 가지고 있다. 더 가볍고 컴팩트한 전자 제품을 지향하는 추세에 따라 PCB 제조도 고밀도화 및 소형화로 나아가고 있으며, YOLO 모델을 기반으로 한 PCB 표면 결함 감지는 점점 더 어려운 연구 문제가 되고 있다. 인공 지능이 빠르게 발전함에 따라 자동 결함 감지를 위해 컨볼루션 신경망(CNN)을 활용하는 것은 PCB 표면 결함 감지를 위한 유망한 솔루션을 제공한다. 본 논문에서는 공유된 공개 데이터 세트에서 PCB 표면 결함 이미지를 훈련하고 테스트하기 위해 YOLOv8 및 YOLOv9 모델을 적용하여 이러한 모델의 PCB 표면 결함 감지 성능을 비교한다. 실험 결과에 따르면 공개 PCB 결함 데이터 세트에서 YOLOv9는 96.1%의 MAP50을 달성하여 YOLOv8과 같은 다른 주류 물체 감지 알고리즘을 능가하는 것으로 나타났다. 26.2 GFLOP와 7.07×10⁶ 매개변수의 계산 부하를 입증하여 YOLOv9가 PCB 표면 결함 감지에 특히 유리해졌다. Printed Circuit Boards(PCBs) serve as the foundational substrates for electronic components and hold significant importance in the electronics industry. With the trend toward lighter, more compact electronic products, PCB manufacturing has also moved towards higher density and miniaturization, making PCB surface defect detection based on YOLO models an increasingly challenging research problem. With the rapid advancement of artificial intelligence, utilizing Convolutional Neural Networks(CNNs) for automatic defect detection offers a promising solution for PCB surface defect detection. This paper applies YOLOv8s and YOLOv9s models to train and test PCB surface defect images from a shared public dataset, comparing the performance of these models in detecting PCB surface defects. Experimental results indicate that on a public PCB defect dataset, YOLOv9s achieved an mAP50 of 96.1%, surpassing other mainstream object detection algorithms like YOLOv8s. It demonstrated a computational load of 26.2 GFLOPs and 7.07×10⁶ parameters, making YOLOv9s particularly advantageous for PCB surface defect detection. KCI Citation Count: 0 |
---|---|
ISSN: | 1598-4877 2508-6723 |
DOI: | 10.5392/JKCA.2025.25.03.040 |