Intellectual Technologies on Transport Intellectual Technologies on Transport Интеллектуальные технологии на транспорте 2413-2527 96461 10.20295/2413-2527-2025-242-29-41 krgazp ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТРАНСПОРТНЫЕ СИСТЕМЫ ARTIFICIAL INTELLIGENCE AND TRANSPORT SYSTEMS ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТРАНСПОРТНЫЕ СИСТЕМЫ Neural Network Classification of Printed Circuit Board Defects Нейросетевая классификация дефектов печатных плат Романов Кирилл Ильич Romanov Kirill Il'ich kiromanov@ieeras.ru Бабаев Азизбек Адахамжанович Babaev Azizbek Adahamzhanovich azizkagif@yandex.ru Антонычева Ольга Леонидовна Antonycheva Olga Leonidovna antolga07@mail.ru Московский технический университет связи и информатики Москва Россия Moscow Technical University of Communications and Informatics Moscow Russian Federation Московский технический университет связи и информатики Москва Россия Moscow Technical University of Communications and Informatics Moscow Russian Federation Московский технический университет связи и информатики Москва Россия Московский технический университет связи и информатики Moscow Russian Federation 26 06 2025 26 06 2025 2 29 41 26 03 2025 15 05 2025 https://pgups.editorum.ru/en/nauka/article/96461/view

Рассматривается разработка модели на основе нейросети YOLOv8x для автоматизированного выявления дефектов на печатных платах. Цель: обучение нейросети, способной эффективно обнаруживать и классифицировать различные виды дефектов на печатных платах. Методы: использовался метод глубокого обучения, основанный на архитектуре YOLOv8x, предназначенной для задач детектирования объектов. Для оценки эффективности модели проводился анализ метрик точности и потерь. Результаты: показывают, что обученная модель демонстрирует высокую точность в классификации дефектов, таких как незапаянное посадочное место (missing_hole), короткое замыкание (short) и ложная печатная дорожка (spurious_copper), достигая точности 1,0. Классы «разомкнутая печатная дорожка» (open_circuit) и «выступ меди» (spur) также показывают удовлетворительные результаты, однако класс «нарушение целостности печатной дорожки» (mouse_bite) требует дальнейшего улучшения. Практическая значимость: заключается в возможности применения разработанной модели для автоматизации процессов контроля качества печатных плат, что может значительно повысить надежность электронных изделий и снизить вероятность отказов в критически важных системах.

This study focuses on the development of a model based on the YOLOv8x neural network for the automated detection of defects in printed circuit boards (PCBs). Purpose: to train a neural network capable of effectively detecting and classifying various types of PCB defects. Methods: a deep learning method based on the YOLOv8x architecture, designed for object detection tasks. An accuracy and loss metrics analysis was conducted to assess the model’s effectiveness. Results: the trained model demonstrates high accuracy in classifying defects such as missing holes, shorts, and spurious copper, achieving an accuracy of 1.0. The “open circuits” and “copper spurs” classes also yield satisfactory results. However, the “mouse bites” class requires further improvement. Practical significance: the potential application of the developed model for automating quality control processes in PCBs could significantly enhance the reliability of electronic devices and reduce the potential failures in critical systems.

 печатная плата дефекты нейросетевая классификация нейросетевая модель YOLOv8x printed circuit board defects neural network classification YOLOv8x neural network model

Данилова Е. А. Классификация дефектов печатных плат // Труды Международного симпозиума «Надежность и качество» (Пенза, Россия, 27 мая — 03 июня 2013 г.): в 2 т. Пенза: Пензенский гос. ун-т, 2013. Т. 1. С. 325–328. Danilova E. A. Klassifikatsiya defektov pechatnykh plat [Classification of printed circuit board defects], Trudy Mezhdunarodnogo simpoziuma “Nadezhnost i kachestvo” [Proceedings of the International Symposium “Reliability and Quality”], Penza, Russia, May 27 — June 03, 2013. Vol. 1. Penza, Penza State University, 2013, Pp. 325–328. (In Russian) Данилова Е. А., Кочегаров И. И., Трусов В. А. Модели технологических дефектов проводящего рисунка печатных плат // Надежность и качество сложных систем. 2017. № 2 (18). С. 68–76. DOI: 10.21685/2307-4205-2017-2-10. Danilova E. A., Kochegarov I. I., Trusov V. A. Modeli tekhnologicheskikh defektov provodyashchego risunka pechatnykh plat [Models of Technological Defects of Conductive Patterns of Printed Circuit Boards], Nadezhnost i kachestvo slozhnykh sistem [Reliability and Quality of Complex Systems], 2017, No. 2 (18), Pp. 68–76. DOI: 10.21685/2307-4205-2017-2-10. (In Russian) Складнова М. С. Методы контроля печатных плат // Colloquium-journal. 2019. № 25-2 (49). С. 95–97. DOI: 10.24411/2520-6990-2019-10882. Skladnova M. S. Metody kontrolya pechatnykh plat [PCB Control Methods], Colloquium-journal, 2019, No. 25-2 (49), Pp. 95–97. DOI: 10.24411/2520-6990-2019-10882. (In Russian) Ксенофонтов В. В. Нейронные сети // Проблемы науки. 2020. № 11 (59). С. 28–29. Ksenofontov V. V. Neyronnye seti [Neural networks], Problemy nauki, 2020, No. 11 (59), Pp. 28–29. (In Russian) Smith R. G., Eckroth J. Building AI Applications: Yesterday, Today, and Tomorrow // AI Magazine. 2017. Vol. 38, No. 1. Pp. 6–22. DOI: 10.1609/aimag.v38i1.2709. Smith R. G., Eckroth J. Building AI Applications: Yesterday, Today, and Tomorrow, AI Magazine, 2017, Vol. 38, No. 1, Pp. 6–22. DOI: 10.1609/aimag.v38i1.2709. Yağcı B. E., Demirsoy G., Akpolat A. N. General Overview of Artificial Neural Network Applications in Renewable Energy Systems // Turkish Journal of Electromechanics and Energy. 2024. Vol. 9, No. 3. Pp. 95–107. Yağcı B. E., Demirsoy G., Akpolat A. N. General Overview of Artificial Neural Network Applications in Renewable Energy Systems, Turkish Journal of Electromechanics and Energy, 2024, Vol. 9, No. 3, Pp. 95–107. Алексеева Н. С. Распознавание лиц по фотографии с помощью нейронных сетей // Международный студенческий научный вестник. 2021. № 1. 5 с. URL: http://eduherald.ru/ru/article/view?id=20406 (дата обращения: 17.01.2025). Alekseeva N. S. Raspoznavanie lits po fotografii s pomoshchyu neyronnykh setey [Face Recognition from a Photo Using Neural Networks], Mezhdunarodnyy studencheskiy nauchnyy vestnik, 2021, No. 1, 5 p. Available at: http://eduherald.ru/ru/article/view?id=20406 (accessed: January 17, 2025). (In Russian) Шарипова Д. Д. Нейронная сеть ImageAI: распознавание объектов // Информационные технологии. Проблемы и решения. 2020. № 2 (11). С. 140–144. Sharipova D. D. Neyronnaya set ImageAI: raspoznavanie obektov [ImageAI Neural Network: Object Recognition], Informatsionnye tekhnologii. Problemy i resheniya [Information Technology], 2020, No. 2 (11), Pp. 140–144. (In Russian) Бондаренко В. И., Нестругина Е. С. Система распознавания лиц преступников с помощью камер видеонаблюдения // Донецкие чтения 2022: образование, наука, инновации, культура и вызовы современности: материалы VII Международной научной конференции, посвящённой 85-летию Донецкого национального университета (Донецк, 27–28 октября 2022 г.). T. 2. Физические, технические и компьютерные науки / под общ. ред. С. В. Беспаловой. Донецк: Донецкий нац. ун-т, 2022. С. 236–237. Bondarenko V. I., Nestrugina E. S. Sistema raspoznavaniya lits prestupnikov s pomoshchyu kamer videonablyudeniya [Facial recognition system for criminals using CCTV cameras], Donetskie chteniya 2022: obrazovanie, nauka, innovatsii, kultura i vyzovy sovremennosti: materialy VII Mezhdunarodnoy nauchnoy konferentsii [Donetsk Readings 2022: Education, Science, Innovation, Culture and Challenges of Our Time: Proceedings of the VII International Scientific Conference], Donetsk, October 27–28, 2022. Vol. 2. Donetsk: Donetsk National University, 2022, Pp. 236–237. (In Russian) Боликов С. С. Машинное зрение и нейронные сети / С. С. Боликов; науч. рук. Е. И. Шишков // Конкурентоспособность территорий: материалы XX Всероссийского экономического форума молодых ученых и студентов (Екатеринбург, Россия, 27–28 апреля 2017 г.): в 8 ч. Ч. 8. Екатеринбург: Уральский гос. экон. ун-т, 2017. С. 21–22. Bolikov S. S. Mashinnoe zrenie i neyronnye seti [Machine vision and neural networks], Konkurentosposobnost territoriy: materialy XX Vserossiyskogo ekonomicheskogo foruma molodykh uchenykh i studentov [Competitiveness of territories: Proceedings of the XX All-Russian Economic Forum of Young Scientists and Students], Yekaterinburg, Russia, April 27–28, 2017. Part 8. Yekaterinburg, Ural State University of Economics, 2017, Pp. 21–22. (In Russian) Artificial Intelligence (AI) Applications for COVID-19 Pandemic / R. Vaishya, M. Javaid, I. H. Khan, A. Haleem // Diabetes and Metabolic Syndrome: Clinical Research and Reviews. 2020. Vol. 14, Iss. 4. Pp. 337–339. DOI: 10.1016/j.dsx.2020.04.012. Vaishya R., Javaid M., Khan I. H., Haleem A. Artificial Intelligence (AI) Applications for COVID-19 Pandemic, Diabetes and Metabolic Syndrome: Clinical Research and Reviews, 2020, Vol. 14, Iss. 4, Pp. 337–339. DOI: 10.1016/j.dsx.2020.04.012. The Impact of Artificial Intelligence on Language Translation: A Review / Y. A. Mohamed, A. Khanan, M. Bashir [et al.] // IEEE Access. 2024. Vol. 12. Pp. 25553–25579. DOI: 10.1109/ACCESS.2024.3366802. Mohamed Y. A., Khanan A., Bashir M., et al. The Impact of Artificial Intelligence on Language Translation: A Review, IEEE Access, 2024, Vol. 12, Pp. 25553-25579. DOI: 10.1109/ACCESS.2024.3366802. Муратова У. Д. Изучение нейронных сетей для чат-ботов / У. Д. Муратова; науч. рук. П. В. Балакшин // Сборник трудов IX Конгресса молодых ученых (Санкт-Петербург, Россия, 15–18 апреля 2020 г.). Т. 1. СПб.: Университет ИТМО, 2021. С. 92–95. Muratova U. D. Izuchenie neyronnykh setey dlya chat-botov [Study of Neural Networks for Chatbots], Sbornik trudov IX Kongressa molodykh uchenykh [Proceedings of the IX Congress of Young Scientists]. Saint Petersburg, Russia, April 15–18, 2020. Vol. 1. Saint Petersburg, ITMO University, 2021, Pp. 92–95. (In Russian) Алгоритм оптимизации извлечения ключевых слов на основе применения лингвистического парсера / Д. Ю. Кравченко, Ю. А. Кравченко, А. Мансур [и др.] // Информатика и автоматизация. 2024. Т. 23, № 2. С. 467–494. DOI: 10.15622/ia.23.2.6. Kravchenko D. Yu., Kravchenko Yu. A., Mansur A., et al. Algoritm optimizatsii izvlecheniya klyuchevykh slov na osnove primeneniya lingvisticheskogo parsera [Algorithm for Optimization of Keyword Extraction Based on the Application of a Linguistic Parser], Informatika i avtomatizatsiya [Informatics and Automation], 2024, Vol. 23, No. 2, Pp. 467–494. DOI: 10.15622/ia.23.2.6. (In Russian) Artificial Intelligence Applications in Finance: A Survey / X. Li, A. Sigov, L. Ratkin [et al.] // Journal of Management Analytics. 2023. Vol. 10, Iss. 4. Pp. 676–692. DOI: 10.1080/23270012.2023.2244503. Li X., Sigov A., Ratkin L., et al. Artificial Intelligence Applications in Finance: A Survey, Journal of Management Analytics, 2023, Vol. 10, Iss. 4, Pp. 676–692. DOI: 10.1080/23270012.2023.2244503. Joshi N., Dave T. Improved Accuracy for Heart Disease Diagnosis Using Machine Learning Techniques // Journal of Informatics and Web Engineering. 2025. Vol. 4, No. 1. Pp. 42–52. DOI: 10.33093/jiwe.2025.4.1.4. Joshi N., Dave T. Improved Accuracy for Heart Disease Diagnosis Using Machine Learning Techniques, Journal of Informatics and Web Engineering, 2025, Vol. 4, No. 1, Pp. 42–52. DOI: 10.33093/jiwe.2025.4.1.4. Datilo P. M., Ismail Z., Dare J. A Review of Epidemic Forecasting Using Artificial Neural Networks // Epidemiology and Health System Journal. 2019. Vol. 6, Iss. 3. Pp. 132–143. DOI: 10.15171/ijer.2019.24. Datilo P. M., Ismail Z., Dare J. A Review of Epidemic Forecasting Using Artificial Neural Networks, Epidemiology and Health System Journal, 2019, Vol. 6, Iss. 3, Pp. 132–143. DOI: 10.15171/ijer.2019.24. Atan O., Jordon J., van der Schaar M. Deep-Treat: Learning Optimal Personalized Treatments from Observational Data Using Neural Networks // Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence (New Orleans, LA, USA, 02–07 February 2018). Palo Alto (CA): AAAI Press, 2018. Pp. 2071–2078. DOI: 10.1609/aaai.v32i1.11841. Atan O., Jordon J., van der Schaar M. Deep-Treat: Learning Optimal Personalized Treatments from Observational Data Using Neural Networks, Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence, New Orleans, LA, USA, February 02–07, 2018. Palo Alto (CA), AAAI Press, 2018, Pp. 2071–2078. DOI: 10.1609/aaai.v32i1.11841. Deep Neural Network Provides Personalized Treatment Recommendations for de novo Metastatic Breast Cancer Patients / C. Li, Y. Wang, H. Bai [et al.] // Journal of Cancer. 2024. Vol. 15, Iss. 20. Pp. 6668–6685. DOI: 10.7150/jca.101293. Li C., Wang Y., Bai H., et al. Deep Neural Network Provides Personalized Treatment Recommendations for de novo Metastatic Breast Cancer Patients, Journal of Cancer, 2024, Vol. 15, Iss. 20, Pp. 6668–6685. DOI: 10.7150/jca.101293. Review of Application YOLOv8 in Medical Imaging / A. Widayani, A. M. Putra, A. R. Maghriebi [et al.] // Indonesian Applied Physics Letters. 2024. Vol. 5, No. 1. Pp. 23–33. DOI: 10.20473/iapl.v5i1.57001. Widayani A., Putra A. M., Maghriebi A. R., et al. Review of Application YOLOv8 in Medical Imaging, Indonesian Applied Physics Letters, 2024, Vol. 5, No. 1, Pp. 23–33. DOI: 10.20473/iapl.v5i1.57001. Mumali F. Artificial Neural Network-Based Decision Support Systems in Manufacturing Processes: A Systematic Literature Review // Computers and Industrial Engineering. 2022. Vol. 165. Art. No. 107964. 20 p. DOI: 10.1016/j. cie.2022.107964. Mumali F. Artificial Neural Network-Based Decision Support Systems in Manufacturing Processes: A Systematic Literature Review, Computers and Industrial Engineering, 2022, Vol. 165, Art. No. 107964, 20 p. DOI: 10.1016/j. cie.2022.107964. Robotic Process Automation and Artificial Intelligence in Industry 4.0 — A Literature Review / J. Ribeiro, R. Lima, T. Eckhardt, S. Paiva // Procedia Computer Science. 2021. Vol. 181. Pp. 51–58. DOI: 10.1016/j.procs.2021.01.104. Ribeiro J., Lima R., Eckhardt T., Paiva S. Robotic Process Automation and Artificial Intelligence in Industry 4.0 — A Literature Review, Procedia Computer Science, 2021, Vol. 181, Pp. 51–58. DOI: 10.1016/j.procs.2021.01.104. Еделев Д. А., Благовещенская М. М., Благовещенский И. Г. Использование нейронных сетей как фактора повышения качества и безопасности производства пищевых продуктов при решении задач автоматизации // Автоматизация технологических и бизнес-процессов. 2015. Т. 7, № 1 (21). С. 7–10. DOI: 10.15673/2312-3125.21/2015.42856. Edelev D. A., Blagoveshchenskaya M. M., Blagoveshchenskiy I. G. Ispolzovanie neyronnykh setey kak faktora povysheniya kachestva i bezopasnosti proizvodstva pishchevykh produktov pri reshenii zadach avtomatizatsii [Using neural networks as a factor in improving the quality and safety of food production in solving automation problems], Avtomatizatsiya tekhnologicheskikh i biznes-protsessov [Automation of Technological and Business Processes], 2015, Vol. 7, No. 1 (21), Pp. 7–10. DOI: 10.15673/2312-3125.21/2015.42856. (In Russian) Akhatova A. PCB Defects // Kaggle. URL: http://www.kaggle.com/datasets/akhatova/pcb-defects (дата обращения: 17.01.2025). Akhatova A. PCB Defects, Kaggle. Available at: http://www.kaggle.com/datasets/akhatova/pcb-defects (accessed: January 17, 2025). Черемисинова О. Н., Ростовцев В. С. Повышение качества распознавания изображений подбором параметров сверточной нейронной сети // Интеграция науки в современном мире: сборник научных работ 52-й Международной научной конференции Евразийского Научного Объединения (Москва, Россия, июнь 2019 г.). М.: Евразийское Научное Объединение, 2019. С. 114–118. Cheremisinova O. N., Rostovtsev V. S. Povyshenie kachestva raspoznavaniya izobrazheniy podborom parametrov svertochnoy neyronnoy seti [Improving the quality of image recognition by selecting convolutional neural network parameters], Integratsiya nauki v sovremennom mire: sbornik nauchnykh rabot 52-y Mezhdunarodnoy nauchnoy konferentsii Evraziyskogo Nauchnogo Obedineniya [Integration of Science in the Modern World: Scientific Articles Collection of the 52nd International Scientific Conference of Eurasian Scientific Association], Moscow, Russia, June 2019. Moscow, Eurasian Scientific Association, 2019, Pp. 114–118. (In Russian) Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models for Object Detection / U. Sirisha, S. P. Praveen, P. N. Srinivasu [et al.] // International Journal of Computational Intelligence Systems. 2023. Vol. 16. Art. No. 126. 29 p. DOI: 10.1007/s44196-023-00302-w. Sirisha U., Praveen S. P., Srinivasu P. N., et al. Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models for Object Detection, International Journal of Computational Intelligence Systems, 2023, Vol. 16, Art. No. 126, 29 p. DOI: 10.1007/s44196-023-00302-w. Ultralytics YOLO. URL: http://www.ultralytics.com/ru/yolo (дата обращения: 17.01.2025). Ultralytics YOLO. Available at: http://www.ultralytics.com/yolo (accessed: January 17, 2025). You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (Las Vegas, NV, USA, 27–30 June 2016). Institute of Electrical and Electronics Engineers, 2016. Pp. 779–788. DOI: 10.1109/CVPR.2016.91. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection, Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, June 27–30, 2016. Institute of Electrical and Electronics Engineers, 2016, Pp. 779–788. DOI: 10.1109/CVPR.2016.91. Google Colaboratory. URL: http://colab.google (дата обращения: 17.01.2025). Google Colaboratory. Available at: http://colab.google (accessed: January 17, 2025). F1-Score // Ultralytics. URL: http://www.ultralytics.com/ru/glossary/f1-score (дата обращения: 17.01.2025). F1-Score, Ultralytics. URL: http://www.ultralytics.com/glossary/f1-score (accessed: January 17, 2025).