重點整理:A VGG-16 Based Faster RCNN Model for PCB Error Inspection in Industrial AOI Applications

AntonyKo
·
·
IPFS
·

https://ieeexplore.ieee.org/document/8448674

現在對於pcb板的檢測,傳統上會使用AOI去進行檢測,雖然已經做到很高的準確率,但是卻非常容易誤判。

這句話聽起來有點怪,準確來說,應該是在他判斷有問題的東西中,其實還是有OK、質量通過的,不過被他判為瑕疵,傳統上,這部分的判斷會利用人工去判斷(傳統的工人智慧),而現在我們可以利用人工智慧去處理,以此減少人力成本的輸出。

因為error有分許多種,這篇裡面分為bridge、empty、solder ball等等,所以這篇論文先利用VGG16提取特徵,再利用faster RCNN去進行處理。

這篇面對的問題在於,資料太少,所以也要設計data augmentation,以此增加資料的數量,避免資料過少,造成訓練結果不佳。

這是設計的結果,分別有調整bluish、dark、bright、yellowish,增加約20倍的資料量,這不僅可以增加資料量,也可以增加面對光線變化時所造成的誤差。

最終結果bridge、empty都達到0.9的AP value,但是其他的效果差,所以mAP只有0.6。

作者的結論說,這代表了deep learning model對AOI在PCB版的未來潛力。

我一開始認為mAP有點低,並不足以成為一項應用,可是相較於過去判斷的資料中,有約95%的都是誤判的,並且交由人工去判斷,這樣是有長足的進步。

我個人認為,可以嘗試更改提取特徵的VGG為其他模型,來看看其他提取特徵的model會不會有比較好的效果,或是整個改掉,直接用YOLO,畢竟YOLO比Faster RCNN更快。

但是YOLO對於細節的偵測有時候會不夠仔細,所以結合Faster RCNN跟YOLO才是現在對於PCB板的主要模型。

這篇僅僅只是重點筆記,更多細節請看原文

這篇我有所不了解的地方:

AP value、RCNN的架構細節,之後再發一篇Faster RCNN實作。

CC BY-NC-ND 2.0 授权

喜欢我的作品吗?别忘了给予支持与赞赏,让我知道在创作的路上有你陪伴,一起延续这份热忱!

AntonyKo一介平凡研究生 https://www.linkedin.com/in/yu-an-ko-630aa0173/ a8252525@gmail.com
  • 来自作者
  • 相关推荐

超速學習:解放天才與凡人之間的差別

交大台南校區AI學院常見問題解答

獲獎紀錄:鴻海-交大聯合獎學金