[论文解读] Virtual Mines -- Component-level recycling of printed circuit boards using deep learning

Muhammad Mohsin, Stefano Rovetta+2 more|arXiv (Cornell University)|Jun 24, 2024

Recycling and Waste Management TechniquesEnvironmental Science被引用 3

一句话总结

本文提出一种基于深度学习的系统，采用 YOLOv5 检测自定义 V-PCB 数据集中的电子元器件，实现印刷电路板（PCB）的元器件级回收。该模型在测试中达到 82% 的精确率和 55% 的召回率，展示了在循环经济应用中城市矿产开发的高效实时检测能力。

ABSTRACT

This contribution gives an overview of an ongoing project using machine learning and computer vision components for improving the electronic waste recycling process. In circular economy, the "virtual mines" concept refers to production cycles where interesting raw materials are reclaimed in an efficient and cost-effective manner from end-of-life items. In particular, the growth of e-waste, due to the increasingly shorter life cycle of hi-tech goods, is a global problem. In this paper, we describe a pipeline based on deep learning model to recycle printed circuit boards at the component level. A pre-trained YOLOv5 model is used to analyze the results of the locally developed dataset. With a different distribution of class instances, YOLOv5 managed to achieve satisfactory precision and recall, with the ability to optimize with large component instances.

研究动机与目标

• 为应对电子废弃物（e-waste）日益增长的挑战，通过实现从报废 PCB 中高效、低成本地回收关键原材料（CRMs），以缓解资源压力。
• 开发一种计算机视觉流程，支持 PCB 的元器件级回收，减少对传统采矿的依赖，并降低环境影响。
• 创建一个本地化、高质量的 V-PCB 数据集，包含八种类别的电子元器件标注，用于训练和评估深度学习模型。
• 在资源受限的硬件（如 Jetson Nano）上优化目标检测性能，实现实时部署于回收设施。
• 通过数据增强技术提升模型泛化能力，尤其针对数据集中代表性不足的元器件类别。

提出的方法

• 从回收工厂收集了 PCB 图像的自定义 V-PCB 数据集，并使用 OpenCV 进行图像增强、对比度调整和感兴趣区域提取等预处理操作。
• 使用 Label Studio 对八种类别的电子元器件（如电容、电阻、IC 等）进行标注，构建监督学习数据集。
• 在高性能 GPU 服务器上，使用预训练的 YOLOv5 目标检测模型对 V-PCB 数据集进行微调，训练批次大小设置为 4 和 8。
• 将模型推理部署在 NVIDIA Jetson Nano 上，以评估边缘设备上的实时性能。
• 应用数据增强技术以平衡各类别分布，并提升对低频元器件类型的模型鲁棒性。
• 在边界框和类别两个层面，使用精确率、召回率、平均平均精度（mAP）以及损失指标（box、obj、cls）对模型性能进行评估。

实验结果

研究问题

• RQ1 基于深度学习的目标检测模型是否能在真实回收场景中，对 PCB 上多样的电子元器件实现高精确率和高召回率？
• RQ2 V-PCB 数据集中类别不平衡对 YOLOv5 性能有何影响？数据增强是否能提升对代表性不足元器件的检测效果？
• RQ3 在 Jetson Nano 等边缘硬件上，基于自定义数据集训练的 YOLOv5 模型在多大程度上具备泛化能力并实现高效实时检测？
• RQ4 不同的批次大小对 YOLOv5 模型在 V-PCB 数据集上训练过程中的收敛性和性能有何影响？
• RQ5 所提出的流程是否能够支持可扩展、低成本的 PCB 元器件级回收，助力循环经济与城市矿产开发目标？

主要发现

• YOLOv5 模型在 V-PCB 数据集上实现了 82% 的精确率和 55% 的召回率，表明其对大多数元器件类别的检测性能较强。
• 训练数据中实例数量较多的元器件类别表现出更好的检测性能，凸显了数据平衡的重要性。
• 该模型在 Jetson Nano（低功耗边缘设备）上实现了可行的实时推理，支持在实际回收环境中部署。
• mAP（平均平均精度）为 0.56，mAP-95 为 0.27，表明所有类别整体检测精度处于中等水平。
• 数据增强显著提升了模型的泛化能力，尤其对初始实例数量较少的稀有元器件类型效果明显。
• 该系统成功验证了利用深度学习实现 PCB 元器件级自动化回收的可行性，支持循环经济中‘虚拟矿山’理念的实现。