Visual Defect Detection in Printed Circuit Boards using YOLO Architectures: A Comparison on the DeepPCB Dataset
Portada
Cargando...
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Instituto Tecnológico Metropolitano (ITM)
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Descripción
The detection of defects in Printed Circuit Boards (PCBs) remains a significant challenge in modern electronic manufacturing systems, where the need to reduce costs and improve product reliability has stimulated the development and application of new computational intelligence models. In this context, the YOLO architecture-based family has evolved through multiple versions, establishing itself as one of the leading solutions for automatic defect detection in visual inspection systems within the electronics industry. Based on this fact, the present work compared the YOLOv5 and YOLOv8 architectures for tasks focused on automatic fault detection in printed circuit boards. The methodology employed consisted of evaluating the computer vision models YOLOv5 and YOLOv8 using the DeepPCB image dataset in a GPU-enabled execution environment and comparing their precision, recall, F1-score, and mAP across different IoU thresholds. In addition, a qualitative assessment was conducted to evaluate the generalization and inference capabilities of both architectures, using images not included during the training stage. The results obtained revealed a clear contrast between the two architectures. YOLOv5m achieved the best overall balance between precision, recall, and detection stability, while YOLOv8s demonstrated superior defect localization capability under varying IoU thresholds. Overall, both computer vision models exhibited competitive performance in the DeepPCB dataset. Finally, it is concluded that YOLOv5 remains a suitable alternative for traditional visual inspection processes focused on the electronics industry due to its efficiency and scalability in quality control tasks, while YOLOv8 represents a competitive option when higher precision is prioritized in defect localization.
La detección de defectos en placas de circuito impreso (PCB, por sus siglas en inglés) continúa siendo un desafío para los sistemas modernos de manufactura electrónica, donde la necesidad de reducir costos y mejorar la confiabilidad de los productos ha impulsado el desarrollo y aplicación de nuevos modelos de inteligencia computacional. En particular, la familia de arquitecturas YOLO ha evolucionado a lo largo de múltiples versiones, consolidándose como una de las principales soluciones para la detección automática de defectos en sistemas de inspección visual en la industria electrónica. A partir de esto, el presente trabajo comparó YOLOv5 y YOLOv8 para la detección automática de fallos en placas de circuito impreso. La metodología empleada consistió en evaluar ambos modelos de visión computacional mediante el conjunto de imágenes DeepPCB, bajo un entorno de ejecución con soporte GPU, comparando su precisión, sensibilidad, F1-score y mAP con distintos umbrales de solapamiento. Asimismo, se evaluó cualitativamente la capacidad de generalización e inferencia de ambas arquitecturas utilizando imágenes no disponibles durante la etapa de entrenamiento. Los resultados alcanzados mostraron un elevado contraste entre ambas arquitecturas. YOLOv5m destacó por lograr el mejor equilibrio global entre precisión, sensibilidad y estabilidad, mientras que YOLOv8s presentó una mejor capacidad de localización de defectos bajo distintos umbrales. Finalmente, se concluye que YOLOv5 continúa siendo una alternativa adecuada para los procesos tradicionales de inspección visual en la industria electrónica, al ofrecer mayor eficiencia y escalabilidad en tareas de control de calidad, mientras que YOLOv8 representa una opción competitiva cuando se prioriza una mayor precisión en la localización de defectos.
La detección de defectos en placas de circuito impreso (PCB, por sus siglas en inglés) continúa siendo un desafío para los sistemas modernos de manufactura electrónica, donde la necesidad de reducir costos y mejorar la confiabilidad de los productos ha impulsado el desarrollo y aplicación de nuevos modelos de inteligencia computacional. En particular, la familia de arquitecturas YOLO ha evolucionado a lo largo de múltiples versiones, consolidándose como una de las principales soluciones para la detección automática de defectos en sistemas de inspección visual en la industria electrónica. A partir de esto, el presente trabajo comparó YOLOv5 y YOLOv8 para la detección automática de fallos en placas de circuito impreso. La metodología empleada consistió en evaluar ambos modelos de visión computacional mediante el conjunto de imágenes DeepPCB, bajo un entorno de ejecución con soporte GPU, comparando su precisión, sensibilidad, F1-score y mAP con distintos umbrales de solapamiento. Asimismo, se evaluó cualitativamente la capacidad de generalización e inferencia de ambas arquitecturas utilizando imágenes no disponibles durante la etapa de entrenamiento. Los resultados alcanzados mostraron un elevado contraste entre ambas arquitecturas. YOLOv5m destacó por lograr el mejor equilibrio global entre precisión, sensibilidad y estabilidad, mientras que YOLOv8s presentó una mejor capacidad de localización de defectos bajo distintos umbrales. Finalmente, se concluye que YOLOv5 continúa siendo una alternativa adecuada para los procesos tradicionales de inspección visual en la industria electrónica, al ofrecer mayor eficiencia y escalabilidad en tareas de control de calidad, mientras que YOLOv8 representa una opción competitiva cuando se prioriza una mayor precisión en la localización de defectos.