윤지

0. 전반적인 흐름 결함찾기+불량 PCB복구 네트워크 구조 결함 탐지 ->입력으로부터 복구된 PCB를 예측 복구시킨다음에, 복구시킨것과 입력의 차이 구해서 불량 판별 구조적 유사성 더 정확한 차이를 계산하기 위해 구조적 유사성을 활용 특이점 학습 전 noise추가 normal PCB넣어서 초기가중치 추출 후, 본격 학습 1. 실험 절차 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 훈련 절차 (이렇게 해도 ㄱㅊ을지 물어보기) 제안된 노이즈 제거 자기 인코더를 훈련하기 전에, 먼저 정..

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 ..

The defects include: Missing hole Mouse bite Open circuit Short circuit Spurious copper spur 1. 전반적인 흐름 및 특징 훈련 YOLOv5사용 데이터: Roboflow에 호스팅 코드 포함 훈련 결과 NVIDIA DeepStream SDK : AI 기반 비디오 및 이미지 이해와 다중 센서 처리를 위한 완전한 스트리밍 분석 도구킷을 제공

전처리 PCB특징 추출 및 transform test image SURF(이걸로) Scale Invariant Feature Transform (SIFT) 알고리즘의 개선된 버전으로, 계산 복잡성이 적고 SIFT에 비해 빠르게 실행 SURF와 SIFT로 선택된 특징점은 모두 안정적이며 회전, 스케일, 밝기에 불변 SIFT SIFT는 스케일과 회전 변환에 있어서 더 나은 매칭 효과를 가지지만, 밝기 변화에 있어서는 SURF가 더 나은 매칭 효과를 가지므로, 실제 응용 시나리오를 고려하여 PCB 등록에는 SURF가 선택 ⇒ 템플릿과 테스트 이미지의 SURF 특징점을 얻은 후, 매칭 포인트를 통해 2차원 기하학적 변환을 추정하고, 테스트 이미지를 기하학적 변환으로 회복 이진화 : 바이너리 맵을 사용하면 PCB..