用于焊膏检测中时空异常检测的卷积循环重构网络
图像与视频处理
2019-08-23 v1 机器学习
机器学习
摘要
表面贴装技术（SMT）是一种生产印刷电路板的工艺。焊膏印刷机（SPP）、贴片机和回流焊炉用于 SMT。从 SPP 沉积焊膏的电路板由焊膏检测仪（SPI）监控。如果 SPP 因印刷机缺陷而发生故障，SPP 会产生有缺陷的产品，然后 SPI 会检测到异常模式。在本文中，我们提出了一种卷积循环重构网络（CRRN），该网络从 SPI 数据中分解由印刷机缺陷生成的异常模式。CRRN 仅学习正常数据，并通过重构误差检测异常模式。CRRN 由一个空间编码器（S-Encoder）、一个时空编码器和解码器（ST-Encoder-Decoder）以及一个空间解码器（S-Decoder）组成。ST-Encoder-Decoder 由多个带有 ST-Attention 机制的卷积时空记忆模块（CSTM）组成。CSTM 被开发用于高效提取时空模式。此外，设计了一种时空注意力（ST-Attention）机制，以促进信息从 ST-Encoder 传输到 ST-Decoder，这可以解决长期依赖问题。我们证明所提出的 CRRN 在异常检测方面优于其他传统模型。此外，我们通过印刷机缺陷分类展示了由所提出的 CRRN 分解的异常图的判别能力。
引用
@article{arxiv.1908.08204,
title = {Convolutional Recurrent Reconstructive Network for Spatiotemporal Anomaly Detection in Solder Paste Inspection},
author = {Yong-Ho Yoo and Ue-Hwan Kim and Jong-Hwan Kim},
journal= {arXiv preprint arXiv:1908.08204},
year = {2019}
}