💻 computer science

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

Ce papier traite de l'effondrement de la résolution et des artefacts de bordure dans la détection de défauts sur PCB haute résolution en démontrant que l'entraînement de détecteurs sur des crops de tuiles et l'application d'une nouvelle méthode de post-traitement sans entraînement, appelée Fusion de Tuiles Consciente de la Topologie (TA-TM), améliorent considérablement le rappel des petits défauts et la précision globale de détection par rapport aux stratégies d'inférence traditionnelles sur image complète ou sur tuiles standard.

Auteurs originaux : Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

Publié 2026-05-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de trouver de minuscules rayures, des vis manquantes ou des fils cassés sur un plan d'une carte de circuit électronique, massif et haute définition. Ce plan est si immense que si vous le réduisez pour qu'il tienne sur un écran d'ordinateur standard (comme si vous réduisiez une fresque géante pour qu'elle tienne sur un timbre-poste), ces minuscules défauts disparaissent complètement. Ils deviennent des points invisibles.

Voilà le problème que l'article aborde : Comment trouver des défauts microscopiques sur une image géante sans perdre les détails ?

Voici l'histoire de leur solution, décomposée en concepts et analogies simples.

1. Le Problème : L'Effet « Timbre-Poste »

Imaginez que vous avez une photo haute résolution d'une forêt. Si vous réduisez cette photo à la taille d'un timbre-poste pour l'encadrer dans un cadre photo standard, vous ne pouvez plus voir les feuilles individuelles ou les petits oiseaux ; ils ne sont plus qu'un flou de pixels verts ou bruns.

Dans le monde des cartes de circuits imprimés (PCB), cela s'appelle l'« Effondrement de la Résolution ».

L'Ancienne Méthode : Les gens prenaient l'image entière de la carte géante, la réduisaient pour qu'elle rentre dans le « cerveau » de l'IA (qui s'attend à une taille standard), et tentaient de trouver des défauts.
Le Résultat : L'IA, entraînée à regarder des images de taille standard, ne pouvait pas voir les minuscules défauts car ils avaient rétréci jusqu'à disparaître. L'IA devenait essentiellement aveugle aux très choses qu'elle était censée trouver.

2. La Première Correction : La Stratégie « Pièce de Puzzle »

Au lieu de réduire l'image entière, les chercheurs ont décidé de découper l'image géante en morceaux plus petits et gérables (tuiles), comme on coupe une grande pizza en parts.

La Stratégie : Ils ont soumis ces petites tranches à l'IA une par une. Puisque les tranches n'étaient pas réduites, les minuscules défauts restaient grands et clairs.
Le Problème : Lorsque vous coupez une image en morceaux, vous créez des bords. Si un défaut se trouve exactement sur la ligne où deux tranches se rejoignent, il est coupé en deux. L'IA voit un demi-défaut dans une tranche et un demi-défaut dans la suivante, se confond, et pourrait rejeter les deux car ils semblent « incomplets ». C'est ce qu'on appelle un artefact de frontière.

3. La Deuxième Correction : La Stratégie « Chevauchement »

Pour corriger les défauts hachés, les chercheurs ont fait en sorte que les pièces de puzzle se chevauchent.

L'Analogie : Imaginez poser des carreaux de sol, mais au lieu de simplement toucher les bords, vous les faites glisser de sorte qu'ils se chevauchent de quelques centimètres. Maintenant, si une rayure se trouve sur le bord, elle apparaît entièrement dans le carreau de gauche et entièrement dans le carreau de droite.
Le Résultat : Cela a aidé l'IA à voir les défauts clairement, mais cela a créé un nouveau problème : l'IA pourrait voir le même défaut deux fois (une fois dans le carreau de gauche, une fois dans le droit) et se confondre pour savoir lequel est le « vrai ».

4. L'Ingrédient Secret : « Fusion de Tuiles Sensible à la Topologie » (TA-TM)

C'est la principale innovation de l'article. C'est un manuel de règles intelligent que l'ordinateur utilise après avoir examiné toutes les tuiles, mais avant de vous donner la réponse finale.

Comment ça marche : Imaginez que l'IA est une équipe de détectives.
- Le Détective A regarde la tuile de gauche et voit un « demi-suspect » près du bord. Il n'est pas sûr à 100 %, donc il lui attribue un score de confiance faible.
- Le Détective B regarde la tuile de droite qui chevauche et voit l'autre moitié du même suspect. Il attribue aussi un score faible.
- L'Ancienne Méthode (IA Standard) : L'ordinateur regarderait ces deux rapports à faible confiance et dirait : « Aucun n'est assez fort, ignorons-les. » Le défaut est manqué.
- La Nouvelle Méthode (TA-TM) : L'ordinateur agit comme un gestionnaire intelligent. Il voit que le Détective A et le Détective B regardent le même endroit sous des angles différents. Il dit : « Hé, si vous voyez tous les deux quelque chose là, même si vous n'êtes pas sûrs individuellement, combinons vos notes et augmentons la confiance ! »
- Le Résultat : L'ordinateur réalise : « Ah, c'est un vrai défaut ! » et le conserve.

5. La Grande Découverte : L'Entraînement Compte Plus que l'Outil

L'article a découvert quelque chose de surprenant qui change la façon dont les gens devraient construire ces systèmes d'IA.

Le Décalage : Si vous entraînez une IA en lui montrant des images entières et réduites, elle apprend à chercher des « points minuscules et flous ». Si vous essayez ensuite d'utiliser cette même IA avec la stratégie « Pièce de Puzzle » (où les défauts sont grands et clairs), l'IA échoue lamentablement. C'est comme entraîner un chien à chasser des lapins en lui montrant des photos de lapins, puis s'attendre à ce qu'il chasse des éléphants.
La Correction : Vous devez entraîner l'IA exactement de la même manière dont vous l'utiliserez. Si vous prévoyez d'utiliser la stratégie « Pièce de Puzzle », vous devez entraîner l'IA sur des pièces de puzzle.
La Preuve : Lorsqu'ils ont entraîné l'IA sur des pièces de puzzle, elle est devenue une maîtresse dans la recherche de défauts. Lorsqu'ils ont essayé d'utiliser une IA entraînée sur des « images entières » sur des pièces de puzzle, elle a échoué complètement (passant de 72 % de succès à 1 % de succès).

Résumé des Résultats

L'approche « Image Entière » : A manqué presque tous les minuscules défauts.
L'approche « Pièce de Puzzle » : A trouvé la plupart des défauts mais a eu des difficultés avec ceux situés sur les bords.
Le « Puzzle Chevauchant » + « Gestionnaire Intelligent » (TA-TM) : A trouvé le plus grand nombre de défauts, y compris les plus délicats sur les bords, sans avoir besoin de réentraîner l'IA ou de modifier son cerveau. Il suffisait d'une manière plus intelligente de combiner les indices.

En bref : Pour trouver de petites choses sur une image géante, ne réduisez pas l'image. Coupez-la en pièces chevauchantes, entraînez votre IA sur ces pièces, et utilisez un « gestionnaire » intelligent pour combiner les indices des bords. Ce simple changement a transformé un système défaillant en un système hautement précis.

Résumé technique : Inférence par tuiles sensible à l'échelle avec fusion consciente de la topologie pour la détection de défauts sur PCB haute résolution

Énoncé du problème
L'inspection de circuits imprimés (PCB) haute résolution fait face à un défi critique connu sous le nom d'« effondrement de la résolution ». Les détecteurs d'objets standards (par exemple, la famille YOLO) fonctionnent sur des tailles d'entrée fixes (généralement 640×640 pixels). Lorsque des images complètes haute résolution (souvent 1 500–6 000 pixels) sont redimensionnées pour s'adapter à ces entrées, les défauts microscopiques rétrécissent à quelques pixels, les rendant indétectables. À l'inverse, bien que l'inférence par tuiles (découpage des images en plus petits crops) préserve les détails locaux, son application naïve introduit des artefacts de frontière. Les défauts chevauchant les bords des tuiles sont souvent partiellement visibles, ce qui entraîne des détections fractionnées, des faux négatifs ou des scores de faible confiance supprimés par la Suppression Non Maximale (NMS) standard. De plus, un décalage significatif existe entre les échelles d'entraînement et d'inférence : les modèles entraînés sur des images complètes redimensionnées échouent lorsqu'ils sont appliqués à des tuiles en résolution native, et vice versa.

Méthodologie
Les auteurs proposent un cadre qui privilégie la cohérence de l'échelle entre l'entraînement et l'inférence et introduit une nouvelle stratégie de fusion post-traitement, plutôt que de modifier les architectures de détecteurs. Le pipeline se compose de quatre étapes :

Entraînement sensible à l'échelle : Au lieu de redimensionner les images complètes, le détecteur est entraîné exclusivement sur des crops de 640×640 pixels extraits directement des images sources haute résolution. Une fenêtre glissante avec un pas de 512 pixels (chevauchement de 128 pixels) garantit que les défauts proches des frontières sont entièrement visibles pendant l'entraînement. Les boîtes de vérité terrain sont rognées, ne conservant que celles avec au moins 40 % de visibilité.
Stratégies d'inférence : L'étude évalue cinq stratégies utilisant le même détecteur entraîné sur des tuiles :
- Inférence sur image complète : Redimensionnement de la carte entière à 640 ou 1280 pixels.
- Basée sur des tuiles (sans chevauchement) : Traitement de tuiles non chevauchantes.
- Basée sur des tuiles (avec chevauchement) : Traitement de tuiles avec un chevauchement de 128 pixels.
Fusion de tuiles consciente de la topologie (TA-TM) : Une méthode de post-traitement sans entraînement et agnostique à l'architecture, conçue pour résoudre les artefacts de frontière.
- Construction de graphe : La grille de tuiles est modélisée comme un graphe d'adjacence.
- Détection de frontière : Pour chaque prédiction, la distance à l'arête de tuile la plus proche est calculée. Les détections dans un seuil ( $\tau = 16$ px) sont signalées comme « sensibles à la frontière ».
- Score d'accord : Pour une détection sensible à la frontière, l'algorithme vérifie les tuiles adjacentes pour des détections complémentaires de la même classe qui se chevauchent sur la frontière partagée.
- Ajustement du score : Si une détection complémentaire existe, le score de confiance de la détection sensible à la frontière est augmenté ( $s' = \min(1.0, s + \lambda \cdot A)$ , où $\lambda=0.2$ ).
- NMS global : Toutes les prédictions sont fusionnées en utilisant une NMS consciente de la classe basée sur ces scores ajustés, permettant aux détections fractionnées confirmées par les voisins de survivre à la suppression.

Contributions clés

Analyse de l'effondrement de la résolution : L'article démontre empiriquement que la cohérence de l'échelle entre l'entraînement et l'inférence est le facteur dominant de performance. Un modèle entraîné sur des images complètes s'effondre à un mAP@50 de 0,01 lorsqu'il est appliqué à des crops de tuiles, tandis qu'un modèle entraîné sur des crops de tuiles atteint un mAP@50 de 0,72–0,94.
Comparaison systématique : Une évaluation rigoureuse de cinq stratégies d'inférence sur deux ensembles de données haute résolution (PCB-Defect et HRIPCB) couvrant six classes de défauts.
Algorithme TA-TM : L'introduction d'une méthode de post-traitement légère qui améliore le rappel dans les zones de frontière sans réentraînement ni modifications architecturales.
Métriques orientées déploiement : L'évaluation inclut le mAP standard ainsi que des métriques spécifiques pour le rappel des petits défauts et le rappel des zones de frontière, répondant aux besoins industriels pratiques.

Résultats
Évalué sur PCB-Defect (230 images) et HRIPCB (693 images) :

Cohérence de l'échelle : L'inférence basée sur des tuiles avec un modèle entraîné sur des tuiles surpasse significativement l'inférence sur image complète. L'inférence Full-640 a donné un mAP@50 de 0,072 (PCB-Defect) et 0,192 (HRIPCB), tandis que la stratégie proposée Tile+Overlap+TA-TM a atteint 0,722 et 0,936, respectivement.
Récupération des petits défauts : Les méthodes basées sur des tuiles ont récupéré 46–100 % des petits défauts (16–64 px² à l'échelle 640) qui avaient été totalement manqués par les méthodes sur image complète. Sur HRIPCB, l'inférence par tuiles a atteint un rappel de 100 % pour ces petits défauts.
Suppression des artefacts de frontière : L'ajout d'un chevauchement de 128 pixels a augmenté le rappel des zones de frontière (0–16 px du bord) d'environ 26 % à environ 70 % sur PCB-Defect et d'environ 63 % à 100 % sur HRIPCB. TA-TM a maintenu ou légèrement amélioré ces résultats tout en atteignant le mAP global le plus élevé.
Efficacité : Bien que les méthodes basées sur des tuiles soient plus lentes (247–459 ms/image) que l'inférence sur image complète (54–98 ms), les auteurs notent que cela reste pratique pour l'inspection industrielle hors ligne compte tenu des gains substantiels en précision.

Signification et affirmations
L'article affirme que le principal goulot d'étranglement dans l'inspection haute résolution de PCB n'est pas l'architecture du détecteur (par exemple, YOLO vs Transformer) mais l'alignement des échelles d'entraînement et d'inférence. Les auteurs soutiennent que les praticiens devraient privilégier les protocoles d'entraînement sensibles à l'échelle avant d'optimiser la complexité du modèle.

La méthode TA-TM proposée est présentée comme une solution généralisable, « plug-and-play », qui peut être appliquée aux pipelines d'inspection existants sans réentraînement. Les auteurs reconnaissent modestement que TA-TM offre des améliorations modérées lorsque le détecteur de base est déjà performant, suggérant que son impact serait plus prononcé dans des conditions de faible rapport signal/bruit ou avec des détecteurs plus faibles. Ce travail reformule la détection de défauts haute résolution comme un problème de stratégie d'inférence, fournissant une approche systématique pour gérer l'effondrement de la résolution et les artefacts de frontière en vision par ordinateur industrielle.