[論文レビュー] A PCB Dataset for Defects Detection and Classification

Weibo Huang, Wei Peng|arXiv (Cornell University)|Jan 24, 2019

Industrial Vision Systems and Defect Detection参考文献 20被引用数 73

ひとこと要約

tldr: 融合型の1386画像PCB欠陥データセットを公開し、6種類の欠陥を含む検知・分類パイプラインを提示。参照ベースの検査法とCNN分類器が高い精度を達成。

ABSTRACT

To coupe with the difficulties in the process of inspection and classification of defects in Printed Circuit Board (PCB), other researchers have proposed many methods. However, few of them published their dataset before, which hindered the introduction and comparison of new methods. In this paper, we published a synthesized PCB dataset containing 1386 images with 6 kinds of defects for the use of detection, classification and registration tasks. Besides, we proposed a reference based method to inspect and trained an end-to-end convolutional neural network to classify the defects. Unlike conventional approaches that require pixel-by-pixel processing, our method firstly locate the defects and then classify them by neural networks, which shows superior performance on our dataset.

研究の動機と目的

• 検出、分類、登録タスクのための欠陥を持つ公開カラ―合成PCBデータセットを作成する。
• ローカリゼーションと登録研究を可能にする境界ボックスと回転情報を提供する。
• 欠陥分類のための参照ベース検査法とエンドツーエンドのCNN分類器を提案する。
• 欠陥検出精度と欠陥分類精度の実験を通じてデータセットの有用性を示す。

提案手法

• 6種類の欠陥タイプ（欠落穴、マウスビット、開放回路、短絡、スパー、偽 Copper）を持つ1386枚の裸PCB画像を合成する。
• 各欠陥について境界ボックスと回転/方向情報を提供する。
• 特徴SURFを用いた登録、適応2値化、XOR局在化、形態フィルタリングを含む参照比較前処理パイプラインを欠陥局在化に使用する。
• 境界ボックス内の欠陥領域を分類するDenseNet風の2つのdenseブロックを備えた密結合型CNN分類器を訓練する。
• 欠陥の切り出しを64x64にリサイズし、訓練時に境界ボックスを平行移動してデータ拡張を行う。
• 検出性能（P_d）と分類性能（P_c, AP_c）を評価し、タイミング指標を報告する。

実験結果

リサーチクエスチョン

• RQ1 公開された合成PCB欠陥データセットは検出・局在・分類方法の公正な比較を可能にするか？
• RQ2 CNN分類を組み合わせた参照ベースのAOIアプローチはこのデータセットでどれだけ効果的か？
• RQ3 6種類の欠陥タイプ間での検出と分類の性能指標はどうなるか？
• RQ4 エンドツーエンドのPCB欠陥検査パイプラインに必要な計算時間はどれくらいか？

主な発見

欠陥タイプ	実データ数	検出数	P_d (%)
欠落穴	497	497	0.0%
マウスビット	492	493	0.2%
開放回路	482	483	0.2%
短絡	491	491	0.0%
スパー	488	488	0.0%
偽Copper	503	503	0.0%

• 欠陥検出はほとんどの欠陥タイプでほぼ完璧に近い結果を達成した。欠落穴でP_d = 0%、マウスビットと開放回路で0.2%、短絡、スパー、偽Copperはすべて0%。
• 欠陥分類は高精度を達成。テストデータのP_cは欠落穴98.96%、マウスビット97.94%、開放回路97.74%、短絡99.48%、スパー93.65%、偽Copper98.52%（平均97.74%）。
• 全データセットの平均適合度(AP_c)は99.40%、重複を除去したテストデータでは97.74%に達した。
• 密結合を持つエンドツーエンドCNNは標準のCPU/GPU環境でPCBあたり総処理時間0.989秒を達成。登録が最も時間がかかるステップだった。