0. 요약
- 데이터셋
DeepPCB :6가지 유형의 PCB 결함의 위치와 클래스에 대한 1,500개의 템플릿과 테스트 이미지 쌍을 포함(대부분 다 이걸로 사용하는듯) 장점: 정렬 - 템플릿 이미지와 테스트 이미지는 템플릿 매칭 방법을 사용하여 정렬되므로 이미지 전처리에 큰 노력을 줄임
- deep model PCB결함 감지기의 딜레마
정확도와 효율성 사이에서 딜레마에 직면합니다. 높은 정확도를 위해서는 더 많은 층을 갖는 수십 개 또는 수백 개의 레이어로 더 깊은 모델이 필요합니다. 반면, 높은 효율성을 위해서는 많은 파라미터와 덜 깊은 구조가 필요
- 위의 딜레마 극복 방법(결함 감지능력 향상)
그룹 피라미드 풀링(GPP): GPP는 그룹화된 풀링과 업샘플링을 통해 다양한 해상도의 특성을 병합합니다. GPP의 각 그룹은 지역적인 컨텍스트 정보와 훨씬 더 큰 범위의 컨텍스트 정보를 모두 가지며 해당 스케일에서 PCB 결함을 예측
1. 전반적인 흐름
네트워크 구조
(a) 입력 이미지 쌍에서 특징 추출을 위해 컨볼루션 백본과 최대 풀링 연산 사용.
(b) 템플릿 이미지와 테스트 이미지의 특징 차이 계산.
(c) 그룹 피라미드 풀링 모듈을 사용하여 다양한 해상도의 특징 획득.
(d) 각 특징 맵에서 다양한 스케일의 예측 생성.
(e) 예측된 결과에 대해 non-maximum suppression (NMS) 수행하여 최종 예측 결과 얻음.
2. 실험 결과
딥 뉴럴 네트워크 기반의 모델들과 복잡한 이중 단계 모델, 그리고 이미지 처리 기술 기반의 알고리즘에 대해 제안된 모델은 평균 평균 정밀도를 1.0%에서 9.3%로 향상
GPP 모듈에서의 Max 풀링이 Average풀링보다 1.5% 더 높은 mAP를 제공하는 것을 보여줌
