[Manufacturing 논문 리뷰] PCB Defect Detection Using Denoising Convolutional Autoencoders (2020)

0. 전반적인 흐름

결함찾기+불량 PCB복구

1. 네트워크 구조
2. 결함 탐지 ->입력으로부터 복구된 PCB를 예측
   복구시킨다음에, 복구시킨것과 입력의 차이 구해서 불량 판별
3. 구조적 유사성
   더 정확한 차이를 계산하기 위해 구조적 유사성을 활용
4. 특이점
   • 학습 전 noise추가
   • normal PCB넣어서 초기가중치 추출 후, 본격 학습

1. 실험 절차

1. 데이터셋
   DeepPCB 데이터셋을 사용하여 실험을 진행
   : 1500개의 불량 PCB와 해당 정상 PCB의 이미지 쌍이 포함되어 있으며, 총 6 종류의 결함을 포함
   : 불량과 정상 PCB의 이미지 쌍으로 훈련되었으며, 더 나은 결과를 얻기 위해 불량 PCB에 노이즈를 추가
2. 훈련 절차 (이렇게 해도 ㄱㅊ을지 물어보기)
   제안된 노이즈 제거 자기 인코더를 훈련하기 전에,
   1. 먼저 정상적인 PCB만을 사용하여 자기 인코더를 훈련
   2. 그런 다음 이 네트워크의 가중치를 제안된 네트워크의 초기 가중치로 사용하여 모델의 정확성을 높임
3. 차이 비교 절차
   • 출력은 복구된 PCB
   • 입력과 출력 차이 비교
     : 출력을 입력에서 빼면 불량 부분이 위치
     : 차이가 임계값보다 크면 입력은 불량으로 간주, 그렇지 않으면 불량이 아닌 것으로 간주
   • 임계값 설정
     : 최적의 임계값을 결정하기 위해 4가지 다른 임계값에 대해 true positive rate recall, precision, selectivity, accuracy 및 F-score를 계산(Table 1처럼)

---

2. 결과