Utilizando Redes Neurais Convolucionais para Automatizar a Detecção de Defeitos Físicos em PCBs na Indústria 4.0

Fábio S. D. Silva; Tiago R. D. Sá; Kaio A. S. Lima; Rodrigo C. D. Freitas; Karoline S. Pereira; Ramayana A. M. Júnior; Neide F. Alves; Mario G. Carvalho; Lucas G. Flores

doi:10.20906/SBAI-SBSE-2023/3800

Fábio S. D. Silva Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Tiago R. D. Sá Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Kaio A. S. Lima Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Rodrigo C. D. Freitas Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Karoline S. Pereira Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Ramayana A. M. Júnior Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Neide F. Alves Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Mario G. Carvalho Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus
Lucas G. Flores Universidade do Estado do Amazonas, Instituto Federal do Amazonas Manaus

DOI: https://doi.org/10.20906/SBAI-SBSE-2023/3800

Keywords: Convolutional Neural Networks, defect detection, memory modules, VGG19, MobileNet, InceptionV3, accuracy, Industry 4.0

Abstract

Printed circuit boards (PCBs) are becoming increasingly complex and miniaturized, making the detection of physical defects more challenging. Convolutional neural networks (CNNs) can be used to detect complex patterns in images, and this study proposes the use of CNNs for the detection of defects in PCBs. Three canonical CNN architectures were evaluated: VGG19, MobileNet, and InceptionV3. MobileNet showed the best performance, with an accuracy of approximately 98.12%. This study provides a solid foundation for the development of automated defect detection systems for the information technology industry.