Resumen

Tras la producción de placas de circuito impreso (PCB), los fabricantes de PCB necesitan eliminar las placas defectuosas realizando pruebas rigurosas, mientras que la inspección manual es larga y laboriosa. Muchas fábricas de PCB emplean la inspección óptica automática (AOI), pero este método de comparación basado en píxeles tiene una alta tasa de falsas alarmas, por lo que requiere una inspección humana intensiva para determinar si las alarmas que se producen se parecen a los verdaderos o a los pseudodefectos. En este trabajo, proponemos un nuevo modelo de aprendizaje profundo sensible a los costes: la red siamesa sensible a los costes (CSS-Net) basada en la red siamesa, el aprendizaje de transferencia y los métodos de movimiento de umbrales para distinguir entre los defectos verdaderos y los pseudodefectos de PCB como un problema de clasificación sensible a los costes. Utilizamos algoritmos de optimización como NSGA-II para determinar el umbral óptimo sensible al coste. Los resultados muestran que nuestro modelo mejora la precisión de la predicción de los defectos verdaderos hasta el 97,60%, y mantiene una precisión de la predicción de los pseudodefectos relativamente alta, del 61,24% en un escenario de producción real. Además, nuestro modelo también supera a los modelos de la competencia de última generación en otras métricas integrales sensibles a los costes, con una media de 33,32% menos de tiempo de entrenamiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:Precisión de la predicción de defectos, modelo de los competidores del arte, tasa de falsas alarmas, inspección humana intensiva, métodos de comparación basados, problema de clasificación sensible, métodos de movimiento del umbral, red siamesa sensible, placa de circuito impreso, inspección óptica automática
• Keywords:defects prediction accuracy, art competitors model, false alarm rate, intensive human inspection, based comparison methods, sensitive classification problem, threshold moving methods, sensitive siamese network, printed circuit board, automatic optical inspection