Detecção Automática de Defeitos de Superfície e Componentes em Placas de Circuito Impresso Usando Modelos de Aprendizado Profundo

Este artigo propõe uma abordagem para verificação automática de defeitos em placas de circuito impresso (PCBs) usando os modelos de visão computacional Faster R-CNN, SSD, YOLOv5 e YOLOv8. Os modelos foram avaliados com base nas métricas Acurácia, Precisão, Recall e F1-Score. Os resultados mostram que o Faster R-CNN alcançou 91,94% de precisão, o SSD 93,35%, o YOLOv5 97,20% e o YOLOv8 97,90%. Dentre eles, o YOLOv8 se comportou sutilmente melhor na detecção de defeitos em PCBs, oferecendo uma solução robusta para a indústria eletrônica.