基于 $\beta$-VAE 的焊点异常检测
计算机视觉与模式识别
2021-12-17 v2 人工智能
摘要
在印刷电路板（PCB）的组装过程中，大多数错误由表面贴装器件（SMD）中的焊点引起。文献中，传统的基于特征提取的方法需要设计手工特征并依赖分层 RGB 照明来检测焊点错误，而基于有监督卷积神经网络（CNN）的方法需要大量标注的异常样本（缺陷焊点）才能达到高准确率。为解决无特殊照明且无无错参考板条件下非受限环境中的光学检测问题，我们提出了一种新的 beta-变分自编码器（beta-VAE）架构用于异常检测，可同时作用于 IC 和非 IC 元件。我们表明所提模型学习了数据的解耦表示，从而得到更独立的特征和改进的潜空间表示。我们比较了用于刻画异常的基于激活和基于梯度的表示；并观察了 beta-VAE 中不同 beta 参数对准确率及特征表示解耦的影响。最后，我们表明无需专用硬件或特征工程，仅用正常样本训练的模型即可高精度检测焊点异常。
引用
@article{arxiv.2104.11927,
title = {Anomaly Detection for Solder Joints Using $\beta$-VAE},
author = {Furkan Ulger and Seniha Esen Yuksel and Atila Yilmaz},
journal= {arXiv preprint arXiv:2104.11927},
year = {2021}
}
备注
Published in IEEE Transactions on Components, Packaging and Manufacturing Technology