重點整理:A VGG-16 Based Faster RCNN Model for PCB Error Inspection in Industrial AOI Applications
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。
Like my work? Don't forget to support and clap, let me know that you are with me on the road of creation. Keep this enthusiasm together!
- Author
- More