PCBDet：一种用于边缘端自动 PCB 元件检测的高效深度神经网络目标检测架构
计算机视觉与模式识别
2023-01-24 v1
摘要
一块给定的 PCB 上可能有大量电子元件，使得用于缺陷检测的视觉检测任务非常耗时且容易出错，尤其在规模化时。因此，人们对自动 PCB 元件检测，特别是利用深度学习，产生了显著兴趣。然而，深度神经网络通常需要较高的计算资源，可能限制其在制造业真实用例中的可行性，这些用例常涉及高产量、高吞吐量的检测，且边缘计算资源受限。作为对该用例高效深度神经网络架构探索的结果，我们引入了 PCBDet，一种注意力冷凝器网络设计，在与其他最先进的高效架构设计相比时，提供了最先进的推理吞吐量，同时实现了更优的 PCB 元件检测性能。实验结果表明，在 ARM Cortex A72 处理器上，与基于 EfficientNet 的设计相比，PCBDet 可实现高达 2 的推理加速，同时在 FICS-PCB 基准数据集上达到约 2-4\% 更高的 mAP。
引用
@article{arxiv.2301.09268,
title = {PCBDet: An Efficient Deep Neural Network Object Detection Architecture for Automatic PCB Component Detection on the Edge},
author = {Brian Li and Steven Palayew and Francis Li and Saad Abbasi and Saeejith Nair and Alexander Wong},
journal= {arXiv preprint arXiv:2301.09268},
year = {2023}
}
备注
7 pages, 6 figures