ترجمه فارسی مقاله افزایش تشخیص عیب برد مدار چاپی از طریق آموزش مجموعه

چکیده

The quality control of printed circuit boards (PCBs) is paramount in advancing electronic device technology. While numerous machine learning methodologies have been utilized to augment defect detection efficiency and accuracy, previous studies have predominantly focused on optimizing individual models for specific defect types, often overlooking the potential synergies between different approaches. This paper introduces a comprehensive inspection framework leveraging an ensemble learning strategy to address this gap. Initially, we utilize four distinct PCB defect detection models utilizing state-of-the-art methods: EfficientDet, MobileNet SSDv2, Faster RCNN, and YOLOv5. Each method is capable of identifying PCB defects independently. Subsequently, we integrate these models into an ensemble learning framework to enhance detection performance. A comparative analysis reveals that our ensemble learning framework significantly outperforms individual methods, achieving a 95% accuracy in detecting diverse PCB defects. These findings underscore the efficacy of our proposed ensemble learning framework in enhancing PCB quality control processes.

چکیده به فارسی (ترجمه ماشینی)

کنترل کیفیت تابلوهای مدار چاپی (PCB) در پیشرفت فناوری دستگاه الکترونیکی مهم است.در حالی که بسیاری از روشهای یادگیری ماشین برای تقویت کارایی و صحت تشخیص نقص مورد استفاده قرار گرفته است ، مطالعات قبلی عمدتاً بر بهینه سازی مدلهای فردی برای انواع نقص خاص متمرکز شده اند ، که اغلب از هم افزایی بالقوه بین رویکردهای مختلف غافل می شوند.در این مقاله یک چارچوب جامع بازرسی که از یک استراتژی یادگیری گروه برای رفع این شکاف استفاده می شود ، ارائه شده است.در ابتدا ، ما از چهار مدل تشخیص نقص PCB مجزا با استفاده از روشهای پیشرفته استفاده می کنیم: کارآمد ، Mobilenet SSDV2 ، RCNN سریعتر و YOLOV5.هر روش قادر به شناسایی نقص PCB به طور مستقل است.پس از آن ، ما این مدل ها را در یک چارچوب یادگیری گروه برای تقویت عملکرد تشخیص ادغام می کنیم.تجزیه و تحلیل مقایسه ای نشان می دهد که چارچوب یادگیری گروه ما به طور قابل توجهی از روشهای فردی بهتر عمل می کند و به دقت 95 ٪ در تشخیص نقص های مختلف PCB دست می یابد.این یافته ها بر اثربخشی چارچوب یادگیری گروه پیشنهادی ما در تقویت فرآیندهای کنترل کیفیت PCB تأکید می کند.