[论文解读] 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 73

一句话总结

这篇论文发布了一个合成的1386张图像的PCB缺陷数据集，包含6种缺陷类型，并提出基于参考的检测流程以及实现高精度的CNN分类器。

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.

研究动机与目标

• 创建一个公开的有缺陷彩色合成PCB数据集，用于检测、分类和配准任务。
• 提供边界框和旋转信息以促进定位和配准研究。
• 提出基于参考的检测方法和面向缺陷分类的端到端CNN分类器。
• 通过缺陷检测准确性和缺陷分类精度的实验，展示数据集的实用性。

提出的方法

• 合成1386张裸PCB图像，包含6种缺陷类型：孔洞缺失、鼠咬、断路、短路、毛刺、伪铜。
• 为每个缺陷提供边界框和旋转/方向信息。
• 使用基于参考比较的预处理流程（使用SURF特征进行配准、自适应二值化、XOR定位和形态学滤波）进行缺陷定位。
• 训练一个类似DenseNet的密集型CNN分类器（受DenseNet启发的两个密集块），在边界框内对缺陷区域进行分类。
• 将缺陷裁剪区域调整为64x64，并通过在训练时移动边界框进行数据增强。
• 评估检测性能（P_d）和分类性能（P_c、AP_c）；并报告时序指标。

实验结果

研究问题

• RQ1 公开可用的合成PCB缺陷数据集是否能为检测、定位和分类方法提供公平比较？
• RQ2 将基于参考的AOI方法与CNN缺陷分类结合在此数据集上的效果如何？
• RQ3 在六种缺陷类型中的检测和分类性能指标是什么？
• RQ4 端到端PCB缺陷检测流程的所需计算时间是多少？

主要发现

• 对大多数缺陷类型，缺陷检测几乎达到完美结果，其中孔洞缺失的P_d=0%，鼠咬和断路为0.2%，短路、毛刺和伪铜为0% 。
• 缺陷分类实现了高精度，测试数据P_c值：孔洞缺失 98.96%，鼠咬 97.94%，断路 97.74%，短路 99.48%，毛刺 93.65%，伪铜 98.52%（平均 97.74%）。
• 在所有样本中，AP_c达到99.40%（全数据集），在去重后测试数据为97.74%。
• 端到端CNN与密集连接在标准CPU/GPU设置下每块PCB总处理时间为0.989秒，注册是耗时最长的步骤。