PCB-YOLOV8X: רשת לזיהוי ליקויים מיקרוסקופיים על פני לוחות PCB מבוססת מידע תכונתי משופר

מדוע פגמים זעירים בלוחות מעגלים חשובים

כל גאדג'ט מודרני — מטלפונים חכמים ועד מכשירים רפואיים — מתבסס על לוחות מעגל מודפסים (PCBs), הלוחות הירוקים שמנתיבים את האותות החשמליים. ככל שהאלקטרוניקה מצטמצמת והופכת למורכבת יותר, הלוחות יכולים להסתיר שברים עדינים, חורים מיקרוסקופיים ונקודות של מתכת זרוקה שקשה כמעט לאדם לגלות. המאמר מציג מערכת בינה מלאכותית חדשה, בשם PCB‑YOLOv8X, שמטרתה לאתר באופן אוטומטי את הליקויים הקטנים במהירות ובדיוק, ולסייע ליצרנים לתפוס בעיות לפני שמוצרים פגומים מגיעים לצרכנים.

האתגר של זיהוי הבלתי נראי כמעט

לוחות ה‑PCB של היום מכילים יער צפוף של פסי נחושת, רפידות הלחמה מבריקות וסימונים מודפסים בשטח קטן מאוד. הרקע העמוס הזה, יחד עם השתקפויות ורעש בתמונות המצלמה, מקשה על זיהוי ליקויים קטנים. מערכות ראייה מסורתיות מסתמכות על כללים קבועים והשוואות פשוטות בין תמונת ייחוס "טובה" ללוח נבדק. הן עובדות עבור ליקויים גדולים או ברורים, אך כושלות לעתים כאשר הליקויים אינם בעלי צורה סדירה, זעירים מאוד או מופיעים בתנאי תאורה משתנים. למידה עמוקה שיפרה את המצב על ידי חיבור תבניות ישירות מתוך נתונים, אך דגמים רבים עדיין מתקשים עם צורות בלתי סדירות והקשר מרחוק, מה שמוביל להחמצת ליקויים ואף לאיתותים שגויים.

דרך חכמה יותר לסריקת לוחות

PCB‑YOLOv8X בנוי על מסגרת לגילוי עצמים בזמן אמת ומותאם במיוחד לבדיקת לוחות PCB. הרשת מאורגנת לשלושה שלבים: "גב" (backbone) שמחלץ תכונות ויזואליות מהתמונות, "צוואר" (neck) שממזג מידע בסולמות שונים, ו"ראש" (head) שמחליט היכן נמצאים הליקויים וסוגם. המחברים עיצבו מחדש חלקים מרכזיים בצינור הזה כדי לאפשר למודל לעקוב טוב יותר אחרי הנתיבים הדקים והמתפתלים של פסי הנחושת ולהבחין בין ליקויים משמעותיים לבין מרקמי רקע חפים מפשע. המטרה הכוללת היא ללכוד יותר פרט על ליקויים זעירים תוך שמירה על מהירות מספקת לשימוש קווי ייצור.

ראייה גמישה ותשומת לב ממוקדת

השדרוג הראשון מאפשר למודל להתאים את "מבטו" לצורות בלתי סדירות. במקום לדגום מידע תמונתי על רשת נוקשה, המודול החדש C2f‑DCNV2 משתמש במסננים מתחלפים (deformable) שנקודות הדגימה שלהם יכולות להזיז מעט כדי לעקוב אחרי פסי נחושת מעוקלים, קצוות משוננים או מרווחים בלתי סדירים. הגמישות הזו עוזרת לרשת להתמקד בקווי המתאר האמיתיים של ליקויים קטנים כגון חורים חסרים, דפוסי "נשיכת עכבר" או מעגלים קצרים. השדרוג השני, המודול SPPF‑LSKA, מעניק למודל שדה ראייה רחב יותר תוך שמירה על יעילות. הוא מדמה הסתכלות גם מקרוב וגם מרחוק על ידי שילוב מידע מסולמות שונים, ואז משתמש במנגנון תשומת לב כדי להדגיש אזורים שנראה שיש בהם ליקויים ולהמעיט מחשיבותם של מרקמי רקע מסיחים.

החלטות חדה יותר לגבי מטרות זעירות

מציאת ליקוי היא רק חצי מהמאבק; המערכת חייבת גם לצייר מסגרת צמודה סביבו. שיטות אימון סטנדרטיות שופטות מסגרות בעיקר על בסיס מידת החפיפה עם אזור הליקוי האמיתי, מה שעלול להיכשל כאשר הליקויים קטנים מאוד או אינם חופפים כלל. המחברים מציגים מטרה אימונית משופרת, הנקראת IWD‑CIoU, שמודדת כמה קרובות ודומות המסגרות החזויות והאמיתיות באמצעות מושג מרחק שאול מתורת ההסתברות. גישה זו מספקת משוב שימושי גם כאשר שתי המסגרות כמעט ואינן נוגעות ועוזרת לרשת ללמוד למקם ליקויים זעירים בדיוק רב יותר. היא גם משלבת מדד מרחק זה עם אסטרטגיית סיווג המדגישה דוגמאות בעלות ביטחון גבוה ומקרים שקשה להבחין ביניהם.

מבדיקות מעבדה לקווי ייצור

הצוות מעריך את PCB‑YOLOv8X על מאגר נתונים ציבורי של ליקויי PCB הכולל שישה סוגי ליקויים נפוצים, מתכשירי פתוח ועד נחושת ספטרטית. לאחר הגדלת הנתונים כדי לדמות שונות בייצור אמיתי, הם משווים את המודל שלהם לגלאים נרחבים כגון Faster R‑CNN, SSD, כמה דורות של YOLO ושיטה מבוססת טרנספורמר. PCB‑YOLOv8X משיג את הדיוק הכולל הגבוה ביותר, מזהה וממקם ליקויים ביותר מ‑98% מהמקרים וגם פועל מהר יותר ממודל הבסיס YOLOv8. מפות חום ויזואליות מראות שהרשת המשופרת מתמקדת בחוזקה באזורים הליקויים בפועל ומתעלמת ברובה ממרקמים והשתקפויות מבלבלים, מה שמפחית גם ליקויים של החמצה וגם חיוביים שגויים. המחברים מציינים אתגרים שנותרו — כגון ליקויים זעירים מאוד, בעלי ניגודיות נמוכה ומרקמים רקע מבלבלים — ומציעים עבודה עתידית עם דגמים קלים יותר ונתוני אימון סינתטיים כדי לתמוך טוב יותר במכשירים קצה על קווי הייצור.

מה זה אומר לאלקטרוניקה היומיומית

במונחים מעשיים, PCB‑YOLOv8X יכול להיות ממוקם מאחורי מצלמות מהירות בקו הייצור, לסרוק כל לוח החולף בזמן אמת ולסמן לוחות חשודים לבחינה אנושית. בזיהוי ליקויים מיקרוסקופיים שמערכות ישנות מפספסות, הוא יכול לסייע ליצרנים למנוע תקלות נסתרות שעשויות לגרום לכשלים או לסיכוני בטיחות מאוחר יותר. עבור הקוראים שאינם מומחים, המסקנה היא שהתפתחות ראייה מלאכותית ממוקדת מביאה לפתרון הבלתי נראה על רצפת המפעל ומשפרת שקט ובר-אמון את האמינות של האלקטרוניקה שבה אנו מסתמכים ביום‑יום.

ציטוט: Xu, X., Dela Cruz, J.C. & Wang, Y. PCB-YOLOV8X: a network for detecting micro-sized defects on PCB surfaces based on enhanced feature information. Sci Rep 16, 10860 (2026). https://doi.org/10.1038/s41598-026-46089-6

מילות מפתח: זיהוי ליקויי PCB, ראייה ממוחשבת, למידה עמוקה, בקרת איכות, אוטומציה בייצור