[논문 리뷰] A PCB Dataset for Defects Detection and Classification

Weibo Huang, Wei Peng|arXiv (Cornell University)|2019. 01. 24.

Industrial Vision Systems and Defect Detection참고 문헌 20인용 수 73

한 줄 요약

논문은 6가지 결함 유형의 1386-image PCB 데이터셋을 합성하여 공개하고 참조 기반 탐지 파이프라인과 높은 정확도를 달성하는 CNN 분류기를 제시한다.

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.

연구 동기 및 목표

• 탐지, 분류 및 등록(정합) 작업을 위한 결함이 포함된 공개 색상 합성 PCB 데이터셋을 생성한다.
• 위치화 및 등록 연구를 가능하게 하기 위해 경계 상자와 회전 정보를 제공한다.
• 결함 분류를 위한 참조 기반 검사 방법과 엔드 투 엔드 CNN 분류기를 제안한다.
• 결함 탐지 정확도 및 결함 분류 정밀도에 대한 실험으로 데이터셋 활용도를 실증한다.

제안 방법

• 6가지 결함 유형을 가진 1386장의 나체 PCB 이미지 합성: missing hole, mouse bite, open circuit, short, spur, spurious copper.
• 각 결함에 대한 경계 상자 및 회전/방향 정보를 제공한다.
• 결함 위치화를 위한 참조 기반 전처리 파이프라인(SURF 특징으로 등록, 적응 이진화, XOR 로컬라이제이션, 형태학적 필터링)을 사용한다.
• 경계 상자 내부의 결함 영역을 분류하기 위해 DenseNet에서 영감을 받은 두 개의 dense 블록이 있는 Dense 유사 CNN 분류기를 훈련한다.
• 결함 잘라내기를 64x64로 리사이즈하고 학습 중에 경계 상자를 이동시켜 데이터 증강을 수행한다.
• 탐지 성능(P_d) 및 분류 성능(P_c, AP_c)을 평가하고 타이밍 지표를 보고한다.

실험 결과

연구 질문

• RQ1 공개적으로 이용 가능한 합성 PCB 결함 데이터셋이 탐지, 위치 결정, 분류 방법 간 공정한 비교를 가능하게 할 수 있는가?
• RQ2 CNN 기반 결함 분류와 결합된 참조 기반 AOI 접근법이 이 데이터셋에서 얼마나 효과적인가?
• RQ3 6가지 결함 유형에 대한 탐지 및 분류 성능 지표는 무엇인가?
• RQ4 엔드-투-엔드 PCB 결함 검사 파이프라인에 필요한 계산 시간은 얼마인가?

주요 결과

Defect Type	Actual	Detected	P_d (%)
Missing hole	497	497	0.0%
Mouse bite	492	493	0.2%
Open circuit	482	483	0.2%
Short	491	491	0.0%
Spur	488	488	0.0%
Spurious copper	503	503	0.0%

• Defect detection achieved near-perfect results for most defect types, with P_d = 0% for missing hole, 0.2% for mouse bite and open circuit, and 0% for short, spur, and spurious copper.
• Defect classification achieved high precision, with test data P_c values: Missing hole 98.96%, Mouse bite 97.94%, Open circuit 97.74%, Short 99.48%, Spur 93.65%, Spurious copper 98.52% (Average 97.74%).
• On all samples, average precision (AP_c) reached 99.40% for the full dataset and 97.74% on test data after removing duplicates.
• The end-to-end CNN with dense connections achieved 0.989 seconds total processing time per PCB on a standard CPU/GPU setup, with registration being the most time-consuming step.