💻 computer science

From Full Boards to Tiny Defects: Scale-Aware Tile Inference with Topology-Aware Merging for High-Resolution PCB Defect Detection

Este artículo aborda el colapso de resolución y los artefactos de borde en la detección de defectos en PCB de alta resolución al demostrar que entrenar detectores en recortes de teselas y aplicar un novedoso método de postprocesamiento sin entrenamiento llamado Fusión de Teselas Consciente de la Topología (TA-TM) mejora significativamente la recuperación de defectos pequeños y la precisión general de detección en comparación con las estrategias tradicionales de inferencia de imagen completa o de teselas estándar.

Autores originales: Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

Publicado 2026-05-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando encontrar arañazos diminutos, tornillos faltantes o cables rotos en un plano de alta definición masivo de una placa de circuito. Este plano es tan enorme que, si lo reduces para que quepa en una pantalla de computadora estándar (como redimensionar un mural gigante para que quepa en un sello postal), esos defectos diminutos desaparecen por completo. Se convierten en motas invisibles.

Este es el problema que aborda el artículo: ¿Cómo encuentras defectos microscópicos en una imagen gigante sin perder los detalles?

Aquí está la historia de su solución, desglosada en conceptos y analogías simples.

1. El Problema: El Efecto "Sello Postal"

Imagina que tienes una foto de alta resolución de un bosque. Si reduces esa foto al tamaño de un sello postal para encajarla en un marco de fotos estándar, ya no puedes ver hojas individuales o pájaros pequeños; simplemente se difuminan en píxeles verdes o marrones.

En el mundo de las placas de circuito impreso (PCB), esto se llama "Colapso de Resolución".

La Vieja Forma: La gente tomaba la imagen completa de la placa gigante, la reducía para que cupiera en el "cerebro" de la IA (que espera un tamaño estándar) e intentaba encontrar defectos.
El Resultado: La IA, entrenada para mirar imágenes de tamaño estándar, no podía ver los defectos diminutos porque se habían encogido hasta desaparecer. La IA esencialmente se quedó ciega ante las cosas mismas que se suponía debía encontrar.

2. La Primera Solución: La Estrategia "Pieza de Rompecabezas"

En lugar de reducir toda la imagen, los investigadores decidieron cortar la imagen gigante en piezas más pequeñas y manejables (baldosas), como cortar una pizza grande en rebanadas.

La Estrategia: Alimentaron estas rebanadas más pequeñas a la IA una por una. Dado que las rebanadas no se redujeron, los defectos diminutos permanecieron grandes y claros.
El Problema: Cuando cortas una imagen en piezas, creas bordes. Si un defecto se sienta justo en la línea donde se unen dos rebanadas, se corta por la mitad. La IA ve un medio defecto en una rebanada y un medio defecto en la siguiente, se confunde y podría descartar ambos porque parecen "incompletos". Esto se llama un artefacto de borde.

3. La Segunda Solución: La Estrategia "Superposición"

Para arreglar los defectos cortados, los investigadores hicieron que las piezas del rompecabezas se superpusieran.

La Analogía: Imagina colocar baldosas de piso, pero en lugar de solo tocar los bordes, deslízalas para que se superpongan por unas pocas pulgadas. Ahora, si un arañazo está en el borde, aparece completamente en la baldosa izquierda y completamente en la baldosa derecha.
El Resultado: Esto ayudó a la IA a ver los defectos claramente, pero creó un nuevo problema: La IA podría ver el mismo defecto dos veces (una vez en la baldosa izquierda, una vez en la derecha) y confundirse sobre cuál es el "real".

4. El Ingrediente Secreto: "Fusión de Baldosas Consciente de Topología" (TA-TM)

Esta es la principal innovación del artículo. Es un libro de reglas inteligente que la computadora usa después de haber mirado todas las baldosas, pero antes de darte la respuesta final.

Cómo funciona: Imagina que la IA es un equipo de detectives.
- Detective A mira la baldosa izquierda y ve un "medio sospechoso" cerca del borde. No está 100% seguro, así que le da una puntuación de confianza baja.
- Detective B mira la baldosa derecha superpuesta y ve la otra mitad del mismo sospechoso. También le da una puntuación baja.
- La Vieja Forma (IA Estándar): La computadora miraría estos dos informes de baja confianza y diría: "Ninguno es lo suficientemente fuerte, ignoremoslos". El defecto se pierde.
- La Nueva Forma (TA-TM): La computadora actúa como un gerente inteligente. Ve que el Detective A y el Detective B están mirando el mismo lugar desde diferentes ángulos. Dice: "Oye, si ambos ven algo allí, incluso si no están seguros individualmente, ¡combinemos sus notas y aumentemos la confianza!".
- El Resultado: La computadora se da cuenta: "¡Ah, esto es un defecto real!" y lo conserva.

5. El Gran Descubrimiento: El Entrenamiento Importa Más que la Herramienta

El artículo encontró algo sorprendente que cambia cómo la gente debería construir estos sistemas de IA.

La Incompatibilidad: Si entrenas a una IA mostrándole imágenes completas y reducidas, aprende a buscar "motas diminutas y borrosas". Si luego intentas usar esa misma IA en la estrategia "Pieza de Rompecabezas" (donde los defectos son grandes y claros), la IA falla miserablemente. Es como entrenar a un perro para cazar conejos mostrándole fotos de conejos, y luego esperar que cace elefantes.
La Solución: Debes entrenar a la IA exactamente de la manera en que la usarás. Si planeas usar la estrategia "Pieza de Rompecabezas", debes entrenar a la IA en piezas de rompecabezas.
La Prueba: Cuando entrenaron a la IA en piezas de rompecabezas, se convirtió en un maestro para encontrar defectos. Cuando intentaron usar una IA entrenada en "imagen completa" en piezas de rompecabezas, falló por completo (cayendo del 72% de éxito al 1% de éxito).

Resumen de Resultados

El enfoque "Imagen Completa": Perdió casi todos los defectos diminutos.
El enfoque "Pieza de Rompecabezas": Encontró la mayoría de los defectos pero luchó con aquellos en los bordes.
El "Rompecabezas Superpuesto" + "Gerente Inteligente" (TA-TM): Encontró la mayoría de los defectos, incluidos los complicados en los bordes, sin necesidad de reentrenar a la IA ni cambiar su cerebro. Solo necesitaba una forma más inteligente de combinar las pistas.

En resumen: Para encontrar cosas diminutas en una imagen gigante, no reduzcas la imagen. Córtala en piezas superpuestas, entrena a tu IA en esas piezas y usa un "gerente" inteligente para combinar las pistas de los bordes. Este cambio simple convirtió un sistema fallido en uno altamente preciso.

Resumen Técnico: Inferencia de Azulejos Consciente de la Escala con Fusión Consciente de la Topología para la Detección de Defectos en PCB de Alta Resolución

Enunciado del Problema
La inspección de alta resolución de placas de circuito impreso (PCB) enfrenta un desafío crítico conocido como "colapso de resolución". Los detectores de objetos estándar (por ejemplo, de la familia YOLO) operan con tamaños de entrada fijos (típicamente 640×640 píxeles). Cuando las imágenes completas de alta resolución de la placa (a menudo de 1.500 a 6.000 píxeles) se redimensionan para ajustarse a estas entradas, los defectos a microescala se encogen a unos pocos píxeles, volviéndolos indetectables. Por el contrario, aunque la inferencia basada en azulejos (dividir las imágenes en recortes más pequeños) preserva el detalle local, su aplicación ingenua introduce artefactos en los límites. Los defectos que cruzan los bordes de los azulejos a menudo son parcialmente visibles, lo que conduce a detecciones divididas, falsos negativos o puntuaciones de baja confianza que son suprimidas por la Supresión No Máxima (NMS) estándar. Además, existe una discrepancia significativa entre las escalas de entrenamiento e inferencia: los modelos entrenados con imágenes completas redimensionadas fallan al aplicarse a azulejos de resolución nativa, y viceversa.

Metodología
Los autores proponen un marco que prioriza la consistencia de escala entre entrenamiento e inferencia e introduce una estrategia novedosa de fusión de postprocesamiento, en lugar de modificar las arquitecturas de los detectores. La tubería consta de cuatro etapas:

Entrenamiento Consciente de la Escala: En lugar de redimensionar imágenes completas, el detector se entrena exclusivamente con recortes de 640×640 píxeles extraídos directamente de imágenes fuente de alta resolución. Una ventana deslizante con un paso de 512 píxeles (solapamiento de 128 píxeles) asegura que los defectos cerca de los límites sean completamente visibles durante el entrenamiento. Las cajas de verdad fundamental se recortan, reteniendo solo aquellas con al menos un 40% de visibilidad.
Estrategias de Inferencia: El estudio evalúa cinco estrategias utilizando el mismo detector entrenado en azulejos:
- Inferencia de Imagen Completa: Redimensionar toda la placa a 640 o 1280 píxeles.
- Basada en Azulejos (Sin Solapamiento): Procesar azulejos sin solapamiento.
- Basada en Azulejos (Con Solapamiento): Procesar azulejos con un solapamiento de 128 píxeles.
Fusión de Azulejos Consciente de la Topología (TA-TM): Un método de postprocesamiento libre de entrenamiento y agnóstico a la arquitectura diseñado para resolver artefactos en los límites.
- Construcción de Grafos: La cuadrícula de azulejos se modela como un grafo de adyacencia.
- Detección de Límites: Para cada predicción, se calcula la distancia al borde de azulejo más cercano. Las detecciones dentro de un umbral ( $\tau = 16$ px) se marcan como "sensibles a los límites".
- Puntuación de Acuerdo: Para una detección sensible a los límites, el algoritmo verifica los azulejos adyacentes en busca de detecciones complementarias de la misma clase que se solapen a través del límite compartido.
- Ajuste de Puntuación: Si existe una detección complementaria, la puntuación de confianza de la detección sensible a los límites se incrementa ( $s' = \min(1.0, s + \lambda \cdot A)$ , donde $\lambda=0.2$ ).
- NMS Global: Todas las predicciones se fusionan utilizando NMS consciente de la clase basado en estas puntuaciones ajustadas, permitiendo que las detecciones divididas confirmadas por los vecinos sobrevivan a la supresión.

Contribuciones Clave

Análisis del Colapso de Resolución: El documento demuestra empíricamente que la consistencia de escala entre entrenamiento e inferencia es el factor dominante en el rendimiento. Un modelo entrenado con imágenes completas colapsa a un mAP@50 = 0.01 al aplicarse a recortes de azulejos, mientras que un modelo entrenado con recortes de azulejos logra un mAP@50 de 0.72–0.94.
Comparación Sistemática: Una evaluación rigurosa de cinco estrategias de inferencia en dos conjuntos de datos de alta resolución (PCB-Defect y HRIPCB) que abarcan seis clases de defectos.
Algoritmo TA-TM: La introducción de un método de postprocesamiento ligero que mejora el recuerdo en la zona de límites sin reentrenamiento ni cambios arquitectónicos.
Métricas Orientadas al Despliegue: La evaluación incluye el mAP estándar junto con métricas específicas para el recuerdo de defectos pequeños y el recuerdo en la zona de límites, abordando necesidades industriales prácticas.

Resultados
Evaluado en PCB-Defect (230 imágenes) y HRIPCB (693 imágenes):

Consistencia de Escala: La inferencia basada en azulejos con un modelo entrenado en azulejos supera significativamente a la inferencia de imagen completa. La inferencia Full-640 obtuvo un mAP@50 de 0.072 (PCB-Defect) y 0.192 (HRIPCB), mientras que la estrategia propuesta Tile+Overlap+TA-TM logró 0.722 y 0.936, respectivamente.
Recuperación de Defectos Pequeños: Los métodos basados en azulejos recuperaron entre un 46% y un 100% de los defectos pequeños (16–64 px² a escala 640) que fueron completamente omitidos por los métodos de imagen completa. En HRIPCB, la inferencia con azulejos logró un 100% de recuerdo para estos defectos pequeños.
Supresión de Artefactos en Límites: Añadir un solapamiento de 128 píxeles aumentó el recuerdo en la zona de límites (0–16 px desde el borde) de ~26% a ~70% en PCB-Defect y de ~63% a 100% en HRIPCB. TA-TM mantuvo o mejoró ligeramente estos resultados mientras lograba el mAP general más alto.
Eficiencia: Aunque los métodos basados en azulejos son más lentos (247–459 ms/imagen) que la inferencia de imagen completa (54–98 ms), los autores señalan que esto sigue siendo práctico para la inspección industrial fuera de línea, dados los sustanciales beneficios en precisión.

Significado y Afirmaciones
El documento afirma que el principal cuello de botella en la inspección de PCB de alta resolución no es la arquitectura del detector (por ejemplo, YOLO frente a Transformer), sino la alineación de las escalas de entrenamiento e inferencia. Los autores argumentan que los profesionales deben priorizar los protocolos de entrenamiento conscientes de la escala antes de optimizar la complejidad del modelo.

El método TA-TM propuesto se presenta como una solución generalizable y "plug-and-play" que puede aplicarse a tuberías de inspección existentes sin reentrenamiento. Los autores reconocen modestamente que TA-TM ofrece mejoras moderadas cuando el detector base ya es fuerte, sugiriendo que su impacto sería más pronunciado en condiciones de menor relación señal-ruido (SNR) o con detectores más débiles. El trabajo replantea la detección de defectos de alta resolución como un problema de estrategia de inferencia, proporcionando un enfoque sistemático para manejar el colapso de resolución y los artefactos en los límites en la visión por computadora industrial.