[論文レビュー] Online PCB Defect Detector On A New PCB Defect Dataset

Sanli Tang, Fan He+2 more|arXiv (Cornell University)|Feb 17, 2019

Industrial Vision Systems and Defect Detection参考文献 23被引用数 77

ひとこと要約

この論文は、新規の Group Pyramid Pooling (GPP) モジュールを用いた深層PCB欠陥検出器を提案し、DeepPCB という公開データセットを導入します。6 種類の欠陥タイプに対して1,500組の整列したテンプレート–欠陥画像ペアを提供し、62 FPS で 98.6% の mAP を達成します。

ABSTRACT

Previous works for PCB defect detection based on image difference and image processing techniques have already achieved promising performance. However, they sometimes fall short because of the unaccounted defect patterns or over-sensitivity about some hyper-parameters. In this work, we design a deep model that accurately detects PCB defects from an input pair of a detect-free template and a defective tested image. A novel group pyramid pooling module is proposed to efficiently extract features of a large range of resolutions, which are merged by group to predict PCB defect of corresponding scales. To train the deep model, a dataset is established, namely DeepPCB, which contains 1,500 image pairs with annotations including positions of 6 common types of PCB defects. Experiment results validate the effectiveness and efficiency of the proposed model by achieving $98.6\%$ mAP @ 62 FPS on DeepPCB dataset. This dataset is now available at: https://github.com/tangsanli5201/DeepPCB.

研究の動機と目的

• 従来の画像差分 PCB 欠陥検出法の限界（アライメント、欠陥の多様性、ハイパーパラメータ感度）を登録・対処する。
• 整列済みテンプレートと tested PCB 画像上で動作する深層学習ベースの検出器を提案し、欠陥を局所化・分類する。
• 大規模で注釈付きのデータセット（DeepPCB）を作成・公開し、PCB欠陥検出の学習を強化する。

提案手法

• 入力画像の組ごとに特徴を抽出し、それらの特徴差分を計算するための畳み込みバックボーンを使用する。
• Multi-resolution 特徴を統合し、対応スケールで欠陥を予測するために Group Pyramid Pooling (GPP) を導入する。
• デフォルトボックスと SSD 風ヘッドに類似する畳み込み予測子を用いて、複数スケールから境界ボックスと欠陥クラスを予測する。
• Ground-truth ボックスとデフォルトボックスを関連付け（IoU > 0.5）し、回帰（Smooth L1）と分類（softmax）損失を最適化する SSD に触発されたマッチング戦略で学習する。
• マルチスケール予測間で非极大抑制 (NMS) を適用して最終的な欠陥検出を生成する。

実験結果

リサーチクエスチョン

• RQ1 整列済みテンプレート–欠陥ペアで訓練された深層検出器は、複数のタイプにわたるPCB欠陥を正確に局所化・分類できるか。
• RQ2 提案された Group Pyramid Pooling モジュールは、標準的なマルチスケール特徴融合手法に比べて検出精度と効率を向上させるか。
• RQ3 DeepPCB データセットと検出器の性能は、従来の画像処理法や他の深層検出器と比較してどの程度か。

主な発見

• 提案モデルは DeepPCB で 62 FPS 推論速度を持ち、mAP が 98.6% に達する。
• GPP の最大プーリングは平均プーリングより約 1.5% 高い mAP をもたらす。
• 画像処理法やいくつかの深層検出器（SSD, YOLO, Faster R-CNN 系）と比較して、方法は競合的または上回る mAP を実現しつつリアルタイム速度を維持する。
• アブレーションにより、完全な GPP セットアップは非-GPP 変種および SSD-FPN よりも精度で著しく優れることが示された。
• DeepPCB データセットは、六つの欠陥タイプと 1,500 ペア（1,000 訓練 / 500 テスト）を備えた、6 つの欠陥タイプと tested 画像ペアを提供する。