TRIBRID-Optimized MobileNetV3 Framework for Explainable Printed Circuit Board Defect Classification

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais qu'au lieu de chercher des empreintes digitales, vous cherchiez de minuscules fissures invisibles dans les circuits imprimés qui alimentent votre téléphone, votre voiture et même les satellites dans l'espace. Ces circuits imprimés, appelés circuits imprimés (PCB), sont les systèmes nerveux de l'électronique moderne. Si même un trou microscopique est manquant ou si un fil minuscule touche là où il ne devrait pas, l'appareil entier peut tomber en panne. Pendant longtemps, les humains ont dû plisser les yeux devant des microscopes pour trouver le problème, ce qui était lent et fatigant. Puis, les ordinateurs sont devenus assez intelligents pour regarder des images de ces circuits et détecter automatiquement les erreurs. C'est là que le « Deep Learning » (apprentissage profond) entre en jeu — un type de cerveau informatique qui apprend à reconnaître des motifs tout comme nous le faisons, mais beaucoup plus vite. Cependant, il y a un piège : ces cerveaux informatiques sont souvent comme des boîtes noires. Ils peuvent dire : « Ce circuit est défectueux », mais ils ne peuvent pas expliquer pourquoi ou pointer l'endroit exact. Dans une usine, vous devez faire confiance à la machine, donc vous avez besoin de savoir ce qu'elle regarde.

Ce document présente une nouvelle façon ingénieuse de résoudre ce problème. Les chercheurs ont construit un système qui ne se contente pas de détecter les défauts sur les circuits imprimés ; il explique aussi son raisonnement, tel un détective vous montrant ses preuves. Ils ont utilisé un cerveau informatique léger appelé MobileNetV3, qui est conçu pour être rapide et efficace, parfait pour fonctionner sur des machines d'usine qui ne possèdent pas la puissance d'un supercalculateur. Mais voici le rebondissement : ils n'ont pas simplement laissé l'ordinateur apprendre par lui-même. Ils ont utilisé un « entraîneur » spécial appelé TRIBRID pour ajuster automatiquement les paramètres de l'ordinateur, trouvant la recette parfaite pour l'apprentissage sans qu'un humain ait à deviner. Enfin, ils ont ajouté un outil appelé Grad-CAM, qui agit comme un surligneur de haute technologie, dessinant une carte lumineuse sur la partie exacte de l'image qui a conduit l'ordinateur à décider qu'il y avait un défaut. Le résultat ? Un système qui est non seulement incroyablement précis, mais aussi transparent, montrant exactement où il a trouvé le problème.

La nouvelle boîte à outils du détective

L'histoire commence par le défi de l'inspection des circuits imprimés (PCB). Ce sont les cartes vertes (ou parfois bleues ou noires) que l'on voit à l'intérieur de presque tous les appareils électroniques. Elles maintiennent tous les composants minuscules ensemble et permettent à l'électricité de circuler entre eux. Si un trou est manquant, qu'un fil est cassé ou que deux fils se touchent accidentellement, l'appareil s'arrête de fonctionner. Traditionnellement, les humains vérifiaient ces cartes, mais c'était lent et sujet aux erreurs car les gens se fatiguent. Plus tard, des machines appelées systèmes d'Inspection Optique Automatisée (AOI) ont pris le relais, utilisant des règles simples pour trouver les défauts. Mais ces machines avaient du mal lorsque les circuits devenaient complexes ou que l'éclairage changeait.

Entrez dans l'ère du Deep Learning. Considérez un modèle de Deep Learning comme un étudiant qui a regardé des millions d'images et appris à reconnaître un « chien » ou un « chat » sans que l'on lui dise quels sont leurs traits caractéristiques. Dans cet article, les chercheurs voulaient apprendre à un ordinateur à reconnaître six types spécifiques de défauts de PCB : trous manquants, morsures de souris (petites encoches sur le bord), circuits ouverts (fils cassés), courts-circuits (fils qui se touchent), excroissances (spurs - pointes de métal indésirables) et cuivre parasite (cuivre supplémentaire là où il ne devrait pas y en avoir).

Les chercheurs ont choisi un type spécifique de cerveau informatique appelé MobileNetV3. Imaginez cela comme un détective « léger ». Contraênirement aux détectives lourds et lents (comme ResNet ou EfficientNet) qui nécessitent des ordinateurs massifs pour réfléchir, MobileNetV3 est conçu pour être rapide et efficace, ce qui le rend parfait pour une utilisation en temps réel en usine. Cependant, même un détective intelligent a besoin des bons réglages pour fonctionner parfaitement. Si le taux d'apprentissage est trop élevé, il manque des détails ; trop lent, et cela prend une éternité. Habitellement, les humains doivent deviner ces réglages, ce qui revient à essayer de régler une radio en tournant le bouton au hasard.

Pour résoudre cela, l'équipe a utilisé une méthode appelée TRIBRID. Considérez TRIBRID comme un entraîneur super intelligent qui ajuste automatiquement les réglages du détective. Il combine trois stratégies différentes pour trouver la combinaison parfaite de vitesse d'apprentissage, de quantité d'informations à ignorer (dropout), de nombre d'images regardées à la fois (taille de lot/batch size) et de nombre de couches du cerveau à réentraîner. Il ne se contente pas de deviner ; il explore différentes options, apprend des meilleures et utilise même une part d'aléatoire pour éviter de rester bloqué dans une mauvaise option.

Enfin, pour que les travailleurs de l'usine fassent confiance au système, les chercheurs ont ajouté Grad-CAM. C'est l'outil de « surlignage ». Quand l'ordinateur dit : « C'est un court-circuit », Grad-CAM dessine une carte thermique sur l'image, brillant en rouge sur l'endroit exact qui a convaincu l'ordinateur. Cela prouve que l'ordinateur ne devine pas simplement en se basant sur l'arrière-plan ; il regarde réellement le défaut.

Le Grand Test

Les chercheurs ont testé leur nouveau système sur un ensemble de données publiques contenant 2 953 images de ces six types de défauts. Ils ont divisé les données pour que l'ordinateur puisse apprendre sur 70 % des images, s'entraîner sur 15 % et passer ensuite un test final sur les 15 % restants.

Les résultats ont été frappants. Lorsqu'ils ont comparé leur MobileNetV3 optimisé par TRIBRID à d'autres modèles, le nouveau système a gagné à chaque fois.

• Un cerveau informatique standard, non optimisé (un CNN personnalisé), n'a réussi qu'environ 84,42 % des défauts.
• Le MobileNetV3 standard, sans l'entraîneur TRIBRID, a réussi 99,32 % des cas.
• Mais le MobileNetV3 optimisé par TRIBRID a atteint une précision, une précision (precision), un rappel (recall) et un score F1 parfaits de 100,00 %.

Cela signifie que le système a correctement identifié chaque défaut de l'ensemble de test sans commettre une seule erreur. Il a également performé aussi bien que des modèles beaucoup plus lourds et lents comme ResNet18 et EfficientNet-B0, qui ont également obtenu environ 99,77 %, mais le nouveau système l'a fait tout en restant léger et rapide.

Pour prouver que l'entraîneur TRIBRID était la recette secrète, l'équipe a mené une expérience appelée « étude d'ablation ». Ils ont comparé TRIBRID à deux autres méthodes de réglage des paramètres : la Recherche Aléatoire (Random Search - deviner au hasard) et PSO (une autre méthode d'optimisation).

• Les trois méthodes ont réussi à atteindre 100 % de précision.
• Cependant, la méthode TRIBRID était la plus efficace. Elle n'a eu besoin de réentraîner que 9 couches du cerveau informatique pour obtenir le résultat parfait.
• La méthode de Recherche Aléatoire a dû réentraîner 12 couches, et la méthode PSO a dû réentraîner 15 couches.

Cela suggère que TRIBRID est plus intelligent pour trouver les bons réglages, permettant au système de conserver davantage de sa « connaissance » originale de son entraînement initial tout en s'adaptant parfaitement à la nouvelle tâche.

Voir, c'est croire

La partie la plus excitante de l'article est la section « Explicabilité ». Les chercheurs ne voulaient pas seulement que l'ordinateur ait raison ; ils voulaient savoir pourquoi il avait raison. Ils ont utilisé Grad-CAM pour visualiser le processus de décision.

Lorsqu'ils ont montré à l'ordinateur une image de « Trou Manquant », la carte thermique brillait intensément juste au-dessus du trou vide. Lorsqu'ils ont montré une « Morsure de Souris », la lueur a mis en évidence le bord dentelé de la carte. Pour les « Circuits Ouverts » et les « Courts-circuits », le système s'est correctement concentré sur les lignes brisées ou les connexions accidentelles. Même pour les défauts délicats comme les « Excroissances » (Spurs) et le « Cuivre Parasite », les cartes thermiques ont pointé avec précision les minuscules pointes métalliques et les amas de cuivre supplémentaires.

Ceci est crucial pour l'utilisation industrielle. Si un gestionnaire d'usine voit une lueur rouge sur un point spécifique, il peut faire confiance à la machine. Si la lueur se trouve sur l'arrière-plan ou sur un endroit aléatoire, il saura que la machine est confuse. L'article montre que le système n'est pas une simple « boîte noire » qui devine ; c'est un outil transparent qui met en évidence exactement ce qu'il voit.

Ce que cela signifie

L'article conclut que ce cadre optimisé par TRIBRID est un outil puissant pour l'avenir de la fabrication. Il combine la vitesse d'un modèle léger avec l'intelligence d'un réglage automatique et la fiabilité des explications visuelles. Les chercheurs notent que bien que leur système ait fonctionné parfaitement sur les images recadrées qu'ils ont testées, la prochaine étape est de voir comment il gère les images complètes, non découpées, dans des contextes d'usine réels. Ils espèrent également pouvoir éventuellement installer ce système sur des dispositifs « edge » (petits ordinateurs directement sur le plancher de l'usine) pour détecter les défauts en temps réel.

En bref, les auteurs ont construit un système qui est non seulement un détective parfait, mais aussi un détective très honnête, montant son travail et prouvant qu'avec le bon entraînement, même un cerveau informatique léger peut résoudre des mystères industriels complexes.