YOLO 개선을 통한 PCB 불량 검출 시스템 설계 및 구현

Abstract

The object detection technology of the PCB defect detection system proposed in this study is one of the important studies in computer vision technology. Recently, various object detection algorithms have been proposed, and since various targets have various states, they should be able to detect targets based on various criteria. We propose an improved You Only Look Once (YOLO) to improve detection performance for targets with different states. The main contents of this study are as follows.

• Development of PCB Defect Detection System using Deep Learning A PCB defect detection system was developed using YOLO, a deep learning model commonly used for object detection.

• Improved performance through image agglomeration techniques To solve overfitting, a problem that occurs when training neural networks with a small number of image data, we solve it with Image Augmentation, an image preprocessing technique.

• Improved performance through lighter models A PCB defect detection system was designed and implemented by adding Pruning, a deep learning model sliming technique for PCB manufacturing environments where speed is important.

|전자제품의 지능화가 전 산업분야에서 가속화됨에 따라, 전자 하드웨어의 고 신뢰성 확보는 기업의 핵심 의제가 되고 있다. 지속적인 산업의 발전으로 점점 더 미세한 회로와 복잡성이 증가하는 전자 제품의 PCB 품질 요구 사항은 꾸준히 증가하고 있다.

하지만 아직도 PCB 품질 요구를 사람에 의한 육안 검사로 이루어지고 있는 상황이다. 그 때문에 작업자의 숙련도 기준에 따라 다르게 판단되는 경우가 많다. 즉, 불량 판정에 대한 정형화된 수치가 없는 상황이다. 게다가 실제 생산 현장에서는 불량 발생이 매우 적어, 불량 이미지를 수집하기 쉽지 않고, 핵심 기술 노출에 대한 문제로 불량 이미지 역시 얻기 힘든 상황이다.

결국 많은 기업에서 전통적인 방법을 사용할 수밖에 없는 상황이다. 이와 같은 방법은 계속해서 발전하는 PCB 시장에서 품질 요구를 충족하기 어렵다. 다시 말해, 불량 데이터의 부족과 수동 검사로 떨어지는 품질 일관성을 해결하기 위한 연구가 필요하다고 판단된다.

본 연구에서는 PCB의 불량을 검출하는 시스템을 개발한다. 시스템 개발을 통해 품질 일관성 저하에 대한 문제를 데이터를 통해 특징을 수동으로 추출할 필요가 없는 딥러닝 기법(YOLO)으로 해결하였다. 또한 적은 수의 이미지 데이터를 가지고 Neural Network를 훈련할 때 발생하는 문제인 과적합(overfitting)을 해결하기 위해 이미지 전처리 기법인 이미지 어그멘테이션(Image augmentation)기법으로 해결하였다.

또한 속도가 중요한 PCB 제조 환경을 위한 딥러닝 모델 경량화 기법인 가지치기(Pruning)기법을 추가하여 PCB 불량 검출 시스템을 설계 및 구현하였다.

PCB 불량 검출 시스템을 통해 85 %의 불량을 검출하였으며 모델 경량화를 통해 기존 대비 31 %의 모델 경량화를 구현하였다.

본 연구에서 제안한 PCB 불량 검출 시스템을 통해 해당 분야에서의 유용성을 입증하여 결과를 제시한다.