Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso
This work presents a method for defect detection in printed circuit boards (PCBs) using the YOLOv7 convolutional neural network and an API developed with FastAPI. The methodology involves data collection and annotation, training the YOLOv7 model, and implementing an efficient API for inference. The...
| Autor principal: | Guimarães, Fabrício da Costa |
|---|---|
| Grau: | Trabalho de Conclusão de Curso |
| Idioma: | por |
| Publicado em: |
Brasil
2024
|
| Assuntos: | |
| Acesso em linha: |
http://riu.ufam.edu.br/handle/prefix/7638 |
| id |
oai:localhost:prefix-7638 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:localhost:prefix-76382025-03-10T21:25:33Z Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso Guimarães, Fabrício da Costa Pinagé, Frederico da Silva http://lattes.cnpq.br/7649322096353511 Januário, Francisco de Assis Pereira http://lattes.cnpq.br/5322203207556538 Bezerra, Thiago Brito http://lattes.cnpq.br/6915300464157124 Detecção de Defeitos Defect Detection YOLOv7 YOLOv7 FastAPI FastAPI Placas de Circuito Impresso Printed Circuit Boards Visão Computacional Computer Vision CIENCIAS EXATAS E DA TERRA . . This work presents a method for defect detection in printed circuit boards (PCBs) using the YOLOv7 convolutional neural network and an API developed with FastAPI. The methodology involves data collection and annotation, training the YOLOv7 model, and implementing an efficient API for inference. The results demonstrate high precision, recall and f1-score in defect detection, with mAP@0.5 of 0.9431 and mAP@0.5:0.95 of 0.4814. The main contributions of this work are the efficient implementation of a defect detection model for PCBs and the creation of an API for industrial and scientific applications. Este trabalho apresenta um método de detecção de defeitos em placas de circuito impresso (PCIs) utilizando a rede neural convolucional YOLOv7 e uma API desenvolvida com FastAPI. A metodologia envolve a coleta e anotação de dados, o treinamento do modelo YOLOv7 e a implementação de uma API eficiente para a inferência. Os resultados demonstram uma alta precisão, recall e f1-score na detecção de defeitos, com mAP@0.5 de 0.9431 e mAP@0.5:0.95 de 0.4814. As principais contribuições deste trabalho são a implementação eficiente de um modelo de detecção de defeitos em PCIs e a criação de uma API para aplicações industriais e científicas. 3 Não 2024-08-28T03:11:47Z 2024-08-28T03:11:47Z 2024-08-12 Trabalho de Conclusão de Curso http://riu.ufam.edu.br/handle/prefix/7638 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ Brasil FT - Faculdade de Tecnologia Manaus (AM) Engenharia da Computação - Bacharelado - Manaus |
| institution |
Repositório Institucional - Universidade Federal do Amazonas |
| collection |
RI-UFAM |
| language |
por |
| topic |
Detecção de Defeitos Defect Detection YOLOv7 YOLOv7 FastAPI FastAPI Placas de Circuito Impresso Printed Circuit Boards Visão Computacional Computer Vision CIENCIAS EXATAS E DA TERRA . . |
| spellingShingle |
Detecção de Defeitos Defect Detection YOLOv7 YOLOv7 FastAPI FastAPI Placas de Circuito Impresso Printed Circuit Boards Visão Computacional Computer Vision CIENCIAS EXATAS E DA TERRA . . Guimarães, Fabrício da Costa Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| topic_facet |
Detecção de Defeitos Defect Detection YOLOv7 YOLOv7 FastAPI FastAPI Placas de Circuito Impresso Printed Circuit Boards Visão Computacional Computer Vision CIENCIAS EXATAS E DA TERRA . . |
| description |
This work presents a method for defect detection in printed circuit boards (PCBs) using the YOLOv7 convolutional neural network and an API developed with FastAPI. The methodology involves data collection and annotation, training the YOLOv7 model, and implementing an efficient API for inference. The results demonstrate high precision, recall and f1-score in defect detection, with mAP@0.5 of 0.9431 and mAP@0.5:0.95 of 0.4814. The main contributions of this work are the efficient implementation of a defect detection model for PCBs and the creation of an API for industrial and scientific applications. |
| author_additional |
Pinagé, Frederico da Silva |
| author_additionalStr |
Pinagé, Frederico da Silva |
| format |
Trabalho de Conclusão de Curso |
| author |
Guimarães, Fabrício da Costa |
| title |
Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| title_short |
Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| title_full |
Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| title_fullStr |
Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| title_full_unstemmed |
Desenvolvimento de uma API utilizando uma Rede Neural Convolucional YOLOv7 para Detecção de Defeitos em Placas de Circuito Impresso |
| title_sort |
desenvolvimento de uma api utilizando uma rede neural convolucional yolov7 para detecção de defeitos em placas de circuito impresso |
| publisher |
Brasil |
| publishDate |
2024 |
| url |
http://riu.ufam.edu.br/handle/prefix/7638 |
| _version_ |
1831970143584911360 |
| score |
11.755432 |