Resumen

El reconocimiento y el posicionamiento de los componentes electrónicos en la PCB (placa de circuito impreso) basados en la visión pueden mejorar la eficacia de la inspección de calidad de los productos electrónicos en el proceso de fabricación. Con la mejora del diseño y el proceso de producción, los componentes electrónicos en la PCB muestran las características de tamaños pequeños y apariencias similares, lo que supone un reto para la detección visual de objetos. En este trabajo se diseña una red de detección de componentes electrónicos en tiempo real a través de la adecuación efectiva del tamaño del campo receptivo y del tamaño del ancla en YOLOv3. Hacemos contribuciones en los siguientes tres aspectos: (1) realizar el cálculo y la visualización del tamaño efectivo del campo receptivo de las diferentes capas de profundidad de la CNN (red neuronal convolucional) basada en la retropropagación de gradiente; (2) proponer una estrategia de composición modular de YOLOv3 que puede añadirse y eliminarse; y (3) diseñar una red de detección ligera y eficiente mediante el tamaño efectivo del campo receptivo y el algoritmo de coincidencia del tamaño del ancla. En comparación con las características de Faster-RCNN (regiones con red neuronal convolucional), SSD (detectores de caja múltiple de un solo disparo) y YOLOv3 original, nuestro método no sólo tiene la mayor mAP (precisión media) de detección en el conjunto de datos de componentes electrónicos de PCB, que es del 95,03%, el menor tamaño de parámetros de la memoria, aproximadamente 1/3 de la cantidad de parámetros de YOLOv3 original, sino también el segundo mejor rendimiento en FLOPs (operaciones en coma flotante).

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tamaño del campo receptivo, campo receptivo efectivo, red neuronal convolucional, coincidencia de tamaño de anclaje, componentes electrónicos, mapa de detección más alto, composición modular de yolov3, detector de cajas múltiples de disparo, detección de objetos visuales, cantidad de parámetros de yolov3
• Keywords:receptive field size, effective receptive field, convolutional neural network, anchor size matching, electronic components, highest detection map, modular yolov3 composition, shot multibox detector, visual object detection, yolov3 parameters amount