[논문 리뷰] Online PCB Defect Detector On A New PCB Defect Dataset

Sanli Tang, Fan He외 2명|arXiv (Cornell University)|2019. 02. 17.

Industrial Vision Systems and Defect Detection참고 문헌 23인용 수 77

한 줄 요약

이 논문은 새로운 Group Pyramid Pooling (GPP) 모듈을 사용한 심층 PCB 결함 탐지기를 제시하고, 여섯 가지 결함 유형에 대해 1,500개의 정합 템플릿–결함 이미지 쌍이 포함된 공개 데이터셋 DeepPCB를 도입하며, 62 FPS에서 98.6% mAP를 달성한다.

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.

연구 동기 및 목표

• 전통적인 이미지 차이 기반 PCB 결함 방법의 한계를 등록하고 해결한다(정합, 결함 유형 다양성, 하이퍼파라미터 민감성).
• 정합된 템플릿과 검사된 PCB 이미지에서 작동하는 딥러닝 기반 탐지기를 제안하여 결함의 위치를 식별하고 분류한다.
• PCB 결함 탐지를 위한 견고한 학습을 가능하게 하는 대규모 주석 데이터셋(DeepPCB)을 만들고 공개한다.

제안 방법

• 쌍의 입력 이미지에서 특성을 추출하고 특징 차이를 계산하기 위해 컨볼루션 백본을 사용한다.
• 다중 해상도 특징을 융합하고 대응 규모에서 결함을 예측하기 위해 Group Pyramid Pooling (GPP)을 도입한다.
• SSD 스타일의 헤드와 유사한 기본 상자 및 합성곱 예측기를 사용하여 다중 스케일에서 경계 상자와 결함 클래스를 예측한다.
• SSD에서 영감을 받은 매칭 전략으로 실제 박스와 기본 상자를 연관시키고(IoU > 0.5), 회귀(Smooth L1)와 분류(softmax) 손실을 함께 최적화하는 방식으로 학습한다.
• 다중 스케일 예측에 대해 비최대 억제(NMS)를 적용하여 최종 결함 탐지를 생성한다.

실험 결과

연구 질문

• RQ1 정합된 템플릿–결함 쌍으로 학습된 딥 탐지기가 여러 유형에 걸쳐 PCB 결함을 정확하게 위치시키고 분류할 수 있는가?
• RQ2 제안된 Group Pyramid Pooling 모듈이 표준 다중 해상도 특징 융합 접근법보다 탐지 정확도와 효율성을 향상시키는가?
• RQ3 전통적 영상 처리 방법 및 다른 딥 탐지기와 비교했을 때 DeepPCB 데이터셋과 탐지기의 성능은 어떠한가?

주요 결과

• 제안된 모델은 DeepPCB에서 98.6% mAP를 62 FPS 추론 속도로 달성한다.
• GPP with max pooling yields higher mAP than average pooling by about 1.5%.
• Compared to image processing and several deep detectors (SSD, YOLO, Faster R-CNN variants), the method delivers competitive or superior mAP while maintaining real-time speed.
• Ablation shows the full GPP setup outperforms a non-GPP variant and SSD-FPN by notable margins in accuracy.
• The DeepPCB dataset provides aligned 640x640 template and tested image pairs with six defect types and 1,500 pairs (1,000 train / 500 test).