[论文解读] 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 77

一句话总结

本文提出了一种基于新型 Group Pyramid Pooling (GPP) 模块的深度 PCB 缺陷检测器，并推出 DeepPCB，这是一个包含六种缺陷类型的 1,500 对对齐模板–缺陷图像对的公开数据集，在 62 FPS 下达到 98.6% 的 mAP。

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.

研究动机与目标

• 注册并解决传统图像差分 PCB 缺陷检测方法的局限性（对齐、缺陷种类多样性、超参数敏感性）。
• 提出一种基于深度学习的检测器，在对齐的模板和被测 PCB 图像上定位并分类缺陷。
• 创建并公开一个大型、带注释的数据集（DeepPCB），以提升 PCB 缺陷检测的鲁棒学习。

提出的方法

• 使用卷积骨干网络从成对的输入图像中提取特征并计算它们的特征差异。
• 引入 Group Pyramid Pooling (GPP) 以融合多分辨率特征并在相应尺度上预测缺陷。
• 使用类似 SSD 风格头的默认框和卷积预测器，在多个尺度上预测边界框和缺陷类别。
• 采用受 SSD 启发的匹配策略来将真实框与默认框关联（IoU > 0.5），并同时优化回归（Smooth L1）和分类（softmax）损失。
• 在多尺度预测上应用非极大值抑制（NMS）以生成最终的缺陷检测结果。

实验结果

研究问题

• RQ1 在对齐的模板–缺陷对上训练的深度检测器是否能在多个类型的 PCB 缺陷上实现准确的定位和分类？
• RQ2 所提出的 Group Pyramid Pooling 模块是否在检测精度和效率上优于标准的多尺度特征融合方法？
• RQ3 与传统图像处理方法及其他深度检测器相比，DeepPCB 数据集和检测器在 PCB 缺陷检测上的性能如何？

主要发现

• 所提出的模型在 DeepPCB 上实现 98.6% 的 mAP，推理速度为 62 FPS。
• 使用 max pooling 的 GPP 相较于 average pooling 的 mAP 提升约 1.5%。
• 与图像处理及若干深度检测器（SSD、YOLO、Faster R-CNN 变体）相比，该方法在保持实时速度的同时，提供具有竞争力或更高的 mAP。
• 消融实验表明，完整的 GPP 设置在准确性方面显著优于非 GPP 变体和 SSD-FPN。
• DeepPCB 数据集提供对齐的 640x640 模板与测试图像对，覆盖六种缺陷类型，共 1,500 对（1,000 训练 / 500 测试）。