Deep learning-enhanced defects detection for printed circuit boards

본 연구의 핵심 방법론은 크게 이미지 전처리 및 정렬, 관심 영역(ROI) 생성, 그리고 딥러닝 기반 결함 세분화(Segmentation)의 3단계 프로세스로 구성됩니다.

구분	주요 내용 및 단계	핵심 알고리즘 및 기술
1단계: 전처리 및 이미지 정렬	카메라 이미지의 왜곡을 보정하고 템플릿 이미지와 크기 및 방향을 일치시키는 과정입니다.	카메라 캘리브레이션: 방사형 및 접선 왜곡 보정 . ORB (Oriented FAST and Rotated BRIEF): 특징점 추출 . Brute-Force Matching: 특징점 매칭 . RANSAC (Random Sample Consensus): 변환 행렬 계산 및 이상치 제거.
2단계: ROI 결함 영역 생성	입력 이미지와 템플릿 간의 차이를 분석하여 잠재적 결함 후보(ROI)를 추출합니다.	YUV 색 공간 변환: 조도 영향 최소화 . 이미지 차분(Subtraction): 두 이미지 간 화소 차이 계산. 노이즈 제거: OPENING 기법(팽창 및 침식) 적용 . 임계값 필터링: 면적, 종횡비, 일관성 기준 적용.
3단계: 결함 세분화 (Segmentation)	추출된 ROI 내에서 실제 긁힘(Scratch) 결함을 정밀하게 식별합니다.	U-NET 모델: 인코더-디코더 구조의 CNN . Skip Connection: 고해상도 정보 유지 . 손실 함수: Pixel-wise Softmax 및 Cross-entropy Loss.
하드웨어 구성	실시간 검사를 위한 물리적 시스템 장치입니다.	Jetson Nano: 메인 이미지 처리 장치 . Arduino Mega 2560R3: 센서 및 컨베이어 벨트 제어 . 5MP 2D Camera: 이미지 획득.

 

실험 설계 및 데이터셋

• 대상 제품: Arduino Uno SMD 보드.
• 데이터셋 구성: 총 2,500장의 이미지 중 80%를 학습에, 20%를 테스트에 사용하였습니다.
• 결함 데이터 생성: 실제 결함 보드의 부족으로 인해 펜과 포토샵을 사용하여 인위적으로 긁힘(Scratch) 결함을 생성하였습니다.
• 조도 환경 테스트: 저조도(80 lux), 정상 조도(400 lux), 고조도(2000 lux)의 세 가지 환경에서 알고리즘의 강건성을 평가하였습니다.

이 방법론을 통해 제안된 시스템은 정상 조도에서 최대 97%의 정확도와 12 FPS의 처리 속도를 달성하여 실시간 결함 탐지의 가능성을 입증하였습니다.

 

1. 통계적 유의성 분석

본 논문은 제안된 알고리즘의 성능을 검증하기 위해 객체 검출 분야에서 표준적으로 사용되는 지표들을 활용하여 정량적 평가를 수행하였습니다.

• 주요 평가 지표 및 성과:
  • mAP (Mean Average Precision): 제안된 시스템은 0.975의 mAP를 달성하여 비교 대상인 YOLOv3 (0.787), YOLOv5(0.937), Faster RCNN$ (0.963), MaskRCNN$ (0.941)보다 우수한 성능을 보였습니다.
  • 정확도(Accuracy): 조도 조건에 따라 정상 조도에서 $97\%$, 저조도 90.6% 고조도 $91.2%$의 정확도를 기록하였습니다.
  • 검출 속도: 12 FPS의 속도를 확보하여 실시간 처리가 가능함을 입증하였습니다.
• 통계적 분석의 한계:
  • 검정 통계량의 부재: 모델 간의 성능 차이가 통계적으로 유의미한지 확인하기 위한 $p-value$ 산출이나 $t-test$ 등의 별도 통계적 가설 검정 단계가 논문에 명시되지 않았습니다 .
  • 결과 변동성 미제시: 단일 수치(Best performance) 위주로 결과가 제시되었으며, 여러 차례 반복 실험을 통한 평균 및 표준편차(Confidence Interval) 등의 분산 지표가 생략되어 결과의 안정성을 판단하기 어렵습니다.

2. 샘플링의 한계점 분석

데이터 수집 및 구성 방식에서 다음과 같은 샘플링 측면의 제약 사항이 발견됩니다.

구분	분석 내용	근거
결함의 인위성	실제 결함이 있는 PCB 확보의 어려움으로 인해 펜으로 그리거나 포토샵을 이용하여 긁힘(Scratch)을 인위적으로 생성하였습니다. 이는 실제 제조 현장에서 발생하는 다양한 형태와 깊이의 미세 결함을 완벽히 모의하지 못할 가능성이 큽니다.
데이터셋 규모 및 다양성	전체 데이터셋은 $2,500$장으로 딥러닝 모델 학습에는 비교적 소규모에 해당합니다. 또한, 실험 대상이 'Arduino Uno SMD' 보드 한 종류에 국한되어 있어, 회로 패턴이 다른 타 기종 보드에 대한 범용성 확인이 부족합니다.
환경 변수의 단순화	조도 조건을 세 가지(80, 400, 2000 lux)로 나누어 테스트하였으나, 실제 공정에서 발생할 수 있는 빛 번짐, 그림자, 카메라 각도 변화 등 복합적인 환경 변수는 충분히 반영되지 않았습니다.
결함 유형의 편향	본 연구는 '긁힘(Scratch)'과 '균열(Crack)' 검출에 집중하고 있습니다. 하지만 PCB 불량은 납땜 불량(Solder joint), 부품 오실장 등 매우 다양하므로 현재의 샘플링으로는 전체 품질을 대변하기에 한계가 있습니다.

 

본 연구는 U-NET과 전통적 영상 처리 기법(ORB, RANSAC)을 결합하여 비교 모델 대비 높은 정밀도(mAP)를 확보했다는 점에서 기술적 가치가 높습니다. 그러나 인위적으로 생성된 데이터셋에 의존하고 있으며, 성능 차이에 대한 엄밀한 통계적 검증이 부족하다는 점은 실제 산업 현장에 적용하기 전 반드시 보완되어야 할 과제입니다. 저자들 또한 향후 연구에서 납땜 및 부품 오류 등 더 다양한 결함 유형으로 탐지 범위를 확장할 필요성을 언급하고 있습니다.