Detecção e segmentação de modificações em placas de circuito impresso em ambientes não controlados através de métodos de uma classe e autoencoders

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorWehrmeister, Marco Aurélio-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1415-5527-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5548205054206839-
Autor(es): dc.contributorNassu, Bogdan Tomoyuki-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6441-8543-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4592104393315780-
Autor(es): dc.contributorBritto Junior, Alceu de Souza-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-3064-3563-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4251936710939364-
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-1861-3369-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7649611874688878-
Autor(es): dc.contributorTodt, Eduardo-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6045-1274-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9942240121225139-
Autor(es): dc.contributorFabro, João Alberto-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-8975-0323-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6841185662777161-
Autor(es): dc.contributorMinetto, Rodrigo-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-2277-4632-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8366112479020867-
Autor(es): dc.creatorOliveira, Diulhio Candido de-
Data de aceite: dc.date.accessioned2025-08-29T11:49:02Z-
Data de disponibilização: dc.date.available2025-08-29T11:49:02Z-
Data de envio: dc.date.issued2024-01-01-
Data de envio: dc.date.issued2024-01-01-
Data de envio: dc.date.issued2023-10-05-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/33130-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1083778-
Descrição: dc.descriptionThe visual inspection of printed circuit boards (PCBs) is an important problem in areas such as quality control in production lines and fraud detection. Inspection involves detecting assembly errors and identifying the replacement or addition of new components that were not originally specified. Such changes can interfere with the correct behavior of the circuit. Detecting alterations through automated visual inspection is a viable alternative that accelerates the production process or the detection of fraud by non-specialists. However, anomaly detection presents challenges, especially when there is an imbalance between data classes and few anomaly samples available. Additionally, visual inspection in uncontrolled environments, such as anomaly detection in PCBs, is complex due to external variations, such as lighting, angle, and perspective. This work proposes a deep learning-based approach using convolutional autoencoders for the detection and segmentation of anomalies in PCB images in uncontrolled environments. The main objective is to develop a method that can operate in real conditions, trained only with images without anomalies. This eliminates the need to collect a large volume of images with anomalies for training, which can be impractical or costly. The contributions of this work include defining an effective cost function and comparison function for training and evaluating convolutional autoencoders. These functions enable the detection and segmentation of anomalies based on high-level features rather than individual pixels, making the method more robust in uncontrolled environments. Additionally, the labeled dataset MPI-PCB was created, containing PCB images for training, evaluation, and testing of the proposed method. This dataset was made publicly available, along with anomaly masks for comparison with other methods. Validation experiments of the method were performed against comparative methods from the literature PaDiM, SPADE, DFR and SPTM, using the proposed image dataset. The proposed method achieved the best results in all analyzed regions of the image, obtaining an Intersection over Union of 0.677 compared to the best comparative method’s 0.507, the PaDiM. Furthermore, experiments were conducted on the MVTec-AD anomaly detection image dataset, demonstrating the method’s effectiveness in other applications. Overall, this work provides a robust solution to the described problem and contributes to the goal of developing methods capable of detecting anomalies in uncontrolled environments.-
Descrição: dc.descriptionA inspeção visual de placas de circuito impresso (PCI) é um problema importante em áreas como controle de qualidade em linhas de produção e detecção de fraudes. A inspeção envolve a detecção erros de montagem e da substituição ou adição de novos componentes não especificados originalmente. Tais mudanças podem interferir no funcionamento correto do circuito, sendo a detecção de adulterações por meio da automação da inspeção visual uma alternativa viável que acelera o processo produtivo e a detecção de fraudes por não especialistas. No entanto, a detecção de anomalias apresenta desafios, especialmente quando há um desequilíbrio entre as classes de dados e poucas amostras de anomalias disponíveis. Além disso, a inspeção visual em ambientes não controlados, como a detecção de anomalias em PCIs, é complexa devido a variações externas, como iluminação, ângulo e perspectiva. Este trabalho propõe uma abordagem baseada em aprendizado profundo, usando Autoencoders convolucionais, para a detecção e segmentação de anomalias em imagens de PCIs em ambientes não controlados. O objetivo principal é desenvolver um método que possa operar em condições reais, treinado apenas com imagens sem anomalias. Isso elimina a necessidade de se coletar um grande volume de imagens com anomalias para treinamento, o que pode ser inviável ou custoso. As contribuições deste trabalho incluem a definição de uma função de custo e uma função de comparação eficazes para treinar e avaliar os Autoencoders convolucionais. Essas funções permitem a detecção e segmentação de anomalias com base em características de alto nível em vez de pixels individuais, tornando o método mais robusto em ambientes não controlados. Além disso, o conjunto de dados rotulado MPI-PCB foi criado, contendo imagens de PCIs para treinamento, avaliação e teste do método proposto. Este conjunto de dados foi disponibilizado publicamente, juntamente com máscaras de anomalias para comparação com outros métodos. Os experimentos de validação do método foram realizados sobre os métodos da literatura PaDiM, SPADE, DFR e SPTM, utilizando a base de imagens proposta. O método proposto alcançou os melhores resultados em todas as regiões analisadas da imagem, obtendo Intersection over Union de 0,677 contra 0,507 do melhor método comparado, o PaDiM. Além disso, foram realizados experimentos na base de imagens para detecção de anomalias MVTec-AD, mostrando a eficácia do método em outras aplicações. No geral, este trabalho oferece uma solução robusta para o problema descrito e contribuiu para o objetivo de desenvolver métodos capazes de detectar anomalias em ambientes não-controlados.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectCircuitos impressos - Anomalias-
Palavras-chave: dc.subjectCircuitos impressos - Inspeção-
Palavras-chave: dc.subjectAprendizado profundo (aprendizado de máquina)-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectControle de qualidade-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectPrinted circuits - Abnormalities-
Palavras-chave: dc.subjectPrinted circuits - Inspection-
Palavras-chave: dc.subjectDeep learning (Machine learning)-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectQuality control-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleDetecção e segmentação de modificações em placas de circuito impresso em ambientes não controlados através de métodos de uma classe e autoencoders-
Título: dc.titleDetection and segmentation of modifications in printed circuit boards in uncontrolled environments using one-class methods and autoencoders-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.