基于YOLO目标检测模型的大规模生产电子元件自动缺陷检测
计算机视觉与模式识别
2025-10-07 v2 人工智能
机器学习
信号处理
摘要
由于传统行业元件的缺陷检测工作量大且耗时，给质检人员带来巨大的负担，并导致产品质量管理困难。本文提出了一种用于工业中广泛使用的双列阵封装(DIP)的自动缺陷检测系统，采用数字相机光学和基于深度学习(DL)的模型。本文考察了DIP最常见的两种缺陷类别：(1)表面缺陷，(2)引脚缺陷。然而，缺乏缺陷元件图像导致了检测任务的挑战。为解决此问题，使用ConSinGAN生成用于训练和测试的合适大小的数据集。研究了四种YOLO模型(v3、v4、v7和v9)，分别在独立使用和ConSinGAN数据增强情况下进行评估。本文提出的YOLOv7结合ConSinGAN在准确率达到95.50%、检测时间为285 ms方面优于其他YOLO版本，远优于基于阈值的方法。此外，开发了监控控制和数据采集(SCADA)系统，并描述了相关的传感器架构。该自动缺陷检测系统可以轻松应用于各种类型的缺陷或缺乏缺陷数据的场景。
引用
@article{arxiv.2510.01914,
title = {Automated Defect Detection for Mass-Produced Electronic Components Based on YOLO Object Detection Models},
author = {Wei-Lung Mao and Chun-Chi Wang and Po-Heng Chou and Yen-Ting Liu},
journal= {arXiv preprint arXiv:2510.01914},
year = {2025}
}
备注
12 pages, 16 figures, 7 tables, and published in IEEE Sensors Journal