📌 본 내용은 논문 입문자가 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다.📌
😊 개인 기록용 포스트입니다
0. 전반적인 흐름
결함찾기+불량 PCB복구
- 네트워크 구조
- 결함 탐지 ->입력으로부터 복구된 PCB를 예측
복구시킨다음에, 복구시킨것과 입력의 차이 구해서 불량 판별
- 구조적 유사성
더 정확한 차이를 계산하기 위해 구조적 유사성을 활용
- 특이점
- 학습 전 noise추가
- normal PCB넣어서 초기가중치 추출 후, 본격 학습
![](https://velog.velcdn.com/images/ha_yoonji99/post/1e81151c-ac3b-4c42-bdf1-e8e19c7edba1/image.png)
![](https://velog.velcdn.com/images/ha_yoonji99/post/66a4f99a-a967-4381-97ba-406ad0695bda/image.png)
1. 실험 절차
- 데이터셋
DeepPCB 데이터셋을 사용하여 실험을 진행
: 1500개의 불량 PCB와 해당 정상 PCB의 이미지 쌍이 포함되어 있으며, 총 6 종류의 결함을 포함
: 불량과 정상 PCB의 이미지 쌍으로 훈련되었으며, 더 나은 결과를 얻기 위해 불량 PCB에 노이즈를 추가
- 훈련 절차 (이렇게 해도 ㄱㅊ을지 물어보기)
제안된 노이즈 제거 자기 인코더를 훈련하기 전에,
1. 먼저 정상적인 PCB만을 사용하여 자기 인코더를 훈련
2. 그런 다음 이 네트워크의 가중치를 제안된 네트워크의 초기 가중치로 사용하여 모델의 정확성을 높임
- 차이 비교 절차
- 출력은 복구된 PCB
- 입력과 출력 차이 비교
: 출력을 입력에서 빼면 불량 부분이 위치
: 차이가 임계값보다 크면 입력은 불량으로 간주, 그렇지 않으면 불량이 아닌 것으로 간주
- 임계값 설정
: 최적의 임계값을 결정하기 위해 4가지 다른 임계값에 대해 true positive rate recall, precision, selectivity, accuracy 및 F-score를 계산(Table 1처럼)
2. 결과
![](https://velog.velcdn.com/images/ha_yoonji99/post/b1241cab-5d7a-414b-92b7-dc2d1ae708cd/image.png)