Eine neue Grenze in der Elektronikfertigung: Optimierte Deep-Learning-Techniken für die Rekonstruktion von Leiterplattenbildern

Im sich schnell entwickelnden Elektronikfertigungssektor sind die Aufrechterhaltung der Qualitätskontrolle und die Durchführung von Fehleranalysen an Leiterplatten (Printed Circuit Boards, PCBs) kritische, aber herausfordernde Aufgaben. Diese Studie präsentiert ein bahnbrechendes selbstüberwachtes Lernframework, um bestehende Lücken bei der Rekonstruktion kodierter oder unscharfer Leiterplattenbilder zu schließen. Durch die Nutzung einer maßgeschneiderten DeepLabV3+-Architektur mit depth-wise separablen Faltungen ist unser Modell darauf ausgelegt, intrinsische Merkmale von Leiterplatten autonom zu lernen und damit die manuelle Datenkennzeichnung überflüssig zu machen. Dies verringert nicht nur die Rechenanforderungen, sondern stellt auch eine robuste Leistung sicher. Unterstützt durch Merkmalsquantisierung und Kanalkomprimierung zeichnet sich unser Modell sowohl durch Leichtgewichtigkeit als auch Widerstandsfähigkeit aus, was es besonders anpassungsfähig für die Leiterplattenbildgebung macht. Zur Validierung des Frameworks wurde ein speziell zusammengestellter Datensatz aus rohen und kodierten Leiterplattenbildern aus verschiedenen Quellen erstellt und weiter verfeinert, um industriellen Standards aus der Praxis zu entsprechen. Unser Modell zeigt eine unvergleichliche Effektivität bei der Rekonstruktion von Leiterplattenbildern und setzt einen neuen Maßstab in diesem Bereich.