Transformers or not: um estudo comparativo na inspeção de defeitos em placas de circuito impresso

Abstract

Uma placa de circuito impresso (PCI) é um componente fundamental na construção de dispositivos eletrônicos. Quando falamos sobre o processo de manufatura destes componentes, a etapa do controle de qualidade representa, em geral, o maior custo na produção. Esta etapa é geralmente realizada por humanos, que são propensos a falhas, além de serem mais lentos e menos consistentes quando comparados a computadores. O presente estudo apresenta a utilização de quatro arquiteturas distintas de Inteligência Artificial treinadas visando a detecção de problemas em PCIs. Os resultados dos experimentos destacaram as principais diferenças no tempo de treinamento, na precisão e na complexidade computacional dos vários modelos. O YOGA-s obteve um bom equilíbrio com a segunda melhor precisão do mAP 50 (83,2\%) e um tempo de treinamento moderado de 50 minutos. O YOLOv11n, apesar de seu tempo de treinamento mais curto (40 minutos), superou o YOGA-s no mAP 50-95 (42,7\%). O DETR demonstrou a maior precisão (92,4\% mAP 50), mas ao custo de tempos de treinamento significativamente mais longos e maior complexidade. O LW-DETR, embora eficiente, apresentou melhorias limitadas de desempenho à medida que sua escala aumentava. O YOLOv11n surgiu como a opção com melhor custo-benefício para tarefas de inspeção de PCI.

Abstract: A Printed Circuit Board (PCB) is a fundamental component in the manufacturing process of electronic devices. When talking about the process of fabrication of these devices, the quality control stage represents, in general, the biggest cost in production. This stage is usually realized by humans, who are prone to fail, as well as being slower and less consistent when compared to computers. This study presents the utilization of four distinct Artificial Intelligence architectures trained for PCB defect detection. The results of the experiments highlighted key differences in training time, accuracy, and computational complexity across various models. YOGA-s achieved a good balance with the second-best mAP 50 accuracy (83.2\%) and a moderate training time of 50 minutes. YOLOv11n, despite its shorter training time (40 minutes), outperformed YOGA-s in mAP 50-95 (42.7\%). DETR demonstrated the highest accuracy (92.4\% mAP 50), but at the cost of significantly longer training times and higher complexity. LW-DETR, while efficient, showed limited performance improvements as its scale increased. YOLOv11n emerged as the most cost-effective option for PCB inspection tasks.