Deep Learning Based Defect Detection Research on Printed Circuit Boards

 

• 제목: Deep Learning Based Defect Detection Research on Printed Circuit Boards
• 저자: Qihang Yang, Fan Yu
• 발표 연도: 2024년
• 게재 학술지: International Journal of Advanced Network, Monitoring and Controls

본 연구는 PCB 표면 결함 검출의 정확도와 실시간 성능을 동시에 확보하기 위해 YOLOv8 모델을 채택하고 그 구조를 최적화하여 실험을 설계하였습니다.

구분	핵심 내용	상세 설명
기본 모델	YOLOv8	Ultralytics에서 2023년에 공개한 모델로, 기존 YOLOv4/v5의 아키텍처를 계승 및 발전시킨 형태임.
Backbone (특징 추출)	C2f 모듈 및 SPPF	기존 YOLOv5의 C3 유닛을 C2f 유닛으로 대체하여 특징 추출 능력을 강화하고 메모리 접근 시간을 단축함. 또한, **SPPF(Spatial Pyramid Pooling Fast)**를 통해 다양한 스케일의 특징을 효율적으로 통합함.
Neck (특징 융합)	PANet 기반 구조	FPN(Feature Pyramid Network)을 강화한 PANet 디자인을 활용하며, C2f 유닛을 적용하고 1x1 합성곱을 제거하여 채널별 통합을 수행함.
Head (검출부)	Decoupled Head	분류(Classification)와 회귀(Regression) 분기를 분리한 디커플드 헤드(Decoupled Head) 구조를 채택하여 파라미터 수를 줄이고 모델의 견고함을 높임.

 

손실 함수 (Loss Function) 설계

학습의 수렴 속도와 정확도 향상을 위해 다음과 같은 복합 손실 함수를 사용합니다.

• 분류 손실 (Classification Loss): VFL (Varifocal Loss)를 사용하여 양성 샘플과 음성 샘플 간의 불균형을 해소하고 고품질 양성 샘플 학습에 집중함.

• 회귀 손실 (Regression Loss): CIOU (Complete Intersection over Union)와 DFL (Distribution Focal Loss)을 합산하여 계산함.

 

항목	내용	상세 사양
데이터셋	PKU-Market-PCB	북경대학교 Open Lab에서 제공하는 PCB 결함 데이터셋으로 총 11,361장의 이미지를 포함함.
결함 유형	6가지 클래스	Missing hole, Mouse bite, Open circuit, Short circuit, Spur, Spurious copper.
하드웨어	CPU / GPU	Intel Core i7-11800H / NVIDIA GeForce RTX 3070.
소프트웨어	Framework / Library	Python 3.7, PyTorch 1.11.0, CUDA 11.3.0.

 

성능 평가 지표

모델의 다중 목표 검출 능력을 다각도로 검증하기 위해 다음 지표를 활용합니다.

• 정확도(Precision) 및 재현율(Recall)
• mAP (Mean Average Precision): 모든 카테고리에 대한 평균 정밀도를 측정함.
• FPS (Frames Per Second): 실시간 검출 속도를 측정하는 지표임.

1. 통계적 유의성 분석 (Statistical Significance)

본 연구는 엄격한 통계적 가설 검정(p-value 등)을 수행하기보다는, 경험적 성능 지표(Empirical Metrics) 비교를 통해 모델의 우수성을 입증하고 있습니다.

• 성능 지표의 차별성: YOLOv8은 mAP 92.3%를 기록하여, 비교 대상인 YOLOv5(85.3%)와 YOLOv7(87.1%) 대비 각각 7.0%p, 5.2%p의 높은 정확도 향상을 보였습니다.
• 실시간 처리의 효율성: FPS(초당 프레임 수) 측면에서도 YOLOv8은 157.2를 기록하여, 기존 모델들(79.4~102.5)을 압도적으로 상회하는 결과를 보였습니다.
• 검증의 안정성: 11,361장의 대규모 이미지 데이터셋을 사용했다는 점은 결과의 재현성과 신뢰성을 높여주는 요소입니다.
• 손실 함수의 기여: 분류 손실인 VFL(Varifocal Loss)과 회귀 손실인 CIOU + DFL의 결합을 통해 양성 샘플에 대한 학습 효율을 높여 통계적 수렴 속도를 개선하였습니다.

모델명	mAP (%)	FPS	파라미터 수 (M)
Faster R-CNN	89.5	20.5	125.3
YOLOv5	85.3	79.4	42.7
YOLOv7	87.1	102.5	37.2
YOLOv8	92.3	157.2	28.5

2. 샘플링 및 데이터셋의 한계점 (Sampling Limitations)

연구에 사용된 데이터와 샘플링 방식에서 발견되는 잠재적 취약점은 다음과 같습니다.

1) 데이터 다양성의 한계

• 한정된 결함 유형: 본 연구는 missing hole, mouse bite, open circuit, short circuit, spur, spurious copper 등 6가지 유형의 결함만을 다루고 있습니다. 실제 제조 현장에서 발생하는 복합적인 결함이나 예외적인 변수를 모두 대변하기에는 부족할 수 있습니다.
• 환경적 제약: 사용된 PKU-Market-PCB 데이터셋은 연구용으로 정제된 데이터입니다. 실제 산업 현장의 불규칙한 조명, 카메라 각도 변화, PCB 기판 색상의 다양성 등에 대한 샘플링은 충분히 이루어지지 않았을 가능성이 큽니다.

2) 클래스 불균형 문제 (Class Imbalance)

• 양성 샘플 부족: 저자는 학습 과정에서 양성 샘플(결함 데이터)이 너무 적다는 점을 언급했습니다.
• 데이터 편향: 비록 VFL을 통해 음성 샘플의 손실 기여도를 낮추어 보완하려 했으나, 샘플링 자체의 불균형이 모델의 일반화 성능(Generalization)에 미치는 영향을 완전히 배제하기는 어렵습니다.

3) 검증 데이터의 독립성

• 단일 데이터 소스: 북경대학교 Open Lab에서 제공하는 데이터셋 하나에만 의존하여 비교 실험이 진행되었습니다. 다른 제조 공정이나 타 기관의 데이터셋에서도 동일한 성능이 유지되는지(Cross-Dataset Validation)에 대한 검증이 논문 내에서는 확인되지 않습니다