💻 computer science

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

본 논문은 고해상도 PCB 결함 검출에서 발생하는 해상도 붕괴 및 경계 아티팩트 문제를 해결하기 위해, 타일 크롭으로 검출기를 학습시키고 새로운 훈련 불필요 토폴로지 인식 타일 병합 (TA-TM) 후처리 방법을 적용함으로써 전통적인 전체 이미지 또는 표준 타일 추론 전략에 비해 소형 결함 재현율과 전체 검출 정확도를 크게 향상시킨다는 점을 입증합니다.

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

게시일 2026-05-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

마이크로 회로 기판의 거대한 고해상도 설계도에서 미세한 스크래치, 누락된 나사, 또는 끊어진 전선을 찾아보려 한다고 상상해 보세요. 이 설계도는 너무 커서 표준 컴퓨터 화면에 맞게 축소하면 (거대한 벽화를 우표 크기로 줄이는 것과 같이) 그 미세한 결함들은 완전히 사라집니다. 그들은 보이지 않는 작은 점으로 변해버립니다.

이 논문이 다루는 문제는 바로 이것입니다: 거대한 이미지에서 세부 사항을 잃지 않고 어떻게 미세한 결함을 찾을 수 있을까요?

이해하기 쉬운 개념과 비유로 풀어낸 그들의 해결책 이야기를 소개합니다.

1. 문제: "우표" 효과

고해상도 숲 사진을 가지고 있다고 상상해 보세요. 그 사진을 표준 사진 프레임에 넣기 위해 우표 크기만큼 축소하면, 개별 나뭇잎이나 작은 새를 더 이상 볼 수 없습니다. 그들은 그저 초록색이나 갈색 픽셀로 흐릿하게 섞일 뿐입니다.

회로 기판 (PCB) 세계에서는 이를 **"해상도 붕괴 (Resolution Collapse)"**라고 부릅니다.

기존 방식: 사람들은 거대한 기판 이미지 전체를 가져와 AI 의 "두뇌"(표준 크기를 기대하는 부분) 에 맞게 축소하고, 그다음 결함을 찾으려 했습니다.
결과: 표준 크기의 이미지를 보도록 훈련된 AI 는 미세한 결함을 볼 수 없었습니다. 그 결함들은 축소되어 사라졌기 때문입니다. AI 는 본래 찾아야 할 것들에 대해 사실상 실명해 버린 것입니다.

2. 첫 번째 해결책: "퍼즐 조각" 전략

전체 이미지를 축소하는 대신, 연구자들은 거대한 이미지를 잘게 쪼개어 관리 가능한 조각 (타일) 으로 만들기로 결정했습니다. 마치 큰 피자를 조각으로 썰듯이 말입니다.

전략: 그들은 이 작은 조각들을 AI 에게 하나씩 입력했습니다. 조각들이 축소되지 않았기 때문에 미세한 결함들은 여전히 크고 선명하게 남았습니다.
문제점: 이미지를 조각으로 자르면 가장자리가 생깁니다. 만약 결함이 두 조각이 만나는 선 위에 있다면, 그것은 반으로 잘립니다. AI 는 한 조각에서 반쪽 결함을 보고 다음 조각에서 다른 반쪽 결함을 보게 되어 혼란스러워하며, 둘 다 "불완전"해 보이므로 버릴 수도 있습니다. 이를 **경계 아티팩트 (boundary artifact)**라고 합니다.

3. 두 번째 해결책: "중첩" 전략

잘려 나간 결함을 해결하기 위해 연구자들은 퍼즐 조각들이 서로 겹치도록 만들었습니다.

비유: 바닥 타일을 깔 때, 가장자리가 서로 닿기만 하는 대신 몇 인치씩 겹치도록 미끄러뜨려 놓는다고 상상해 보세요. 이제 가장자리에 있는 스크래치는 왼쪽 타일에도 완전히, 오른쪽 타일에도 완전히 나타납니다.
결과: 이는 AI 가 결함을 명확하게 보도록 도와주었지만, 새로운 문제를 만들었습니다. AI 는 같은 결함을 두 번 볼 수 있습니다 (한 번은 왼쪽 타일에서, 한 번은 오른쪽 타일에서), 그리고 어느 것이 "진짜"인지 혼란스러워할 수 있습니다.

4. 핵심 비법: "위상 인식 타일 병합 (TA-TM)"

이것이 이 논문의 주요 혁신입니다. 이는 컴퓨터가 모든 타일을 검토한 후, 하지만 최종 답변을 사용자에게 주기 전에 사용하는 지능적인 규칙집입니다.

작동 원리: AI 를 탐정 팀으로 상상해 보세요.
- 탐정 A는 왼쪽 타일을 보며 가장자리 근처의 "반쪽 용의자"를 봅니다. 100% 확신이 없으므로 낮은 신뢰도 점수를 줍니다.
- 탐정 B는 겹치는 오른쪽 타일을 보며 같은 용의자의 다른 반쪽을 봅니다. 그들도 낮은 점수를 줍니다.
- 기존 방식 (일반 AI): 컴퓨터는 이 두 개의 낮은 신뢰도 보고서를 보고 "둘 다 충분히 강력하지 않으니 무시하자"라고 말합니다. 결함이 놓쳐집니다.
- 새로운 방식 (TA-TM): 컴퓨터는 지능적인 관리자처럼 행동합니다. 탐정 A 와 B 가 서로 다른 각도에서 같은 위치를 보고 있음을 알아챕니다. "hey, 너희 둘 다 그곳에 무언가를 보고 있다면, individually 로는 확신이 없더라도 노트를 합쳐서 신뢰도를 높이자!"라고 말합니다.
- 결과: 컴퓨터는 "아, 이건 진짜 결함이구나!"라고 깨닫고 그것을 유지합니다.

5. 큰 발견: 훈련이 도구보다 중요하다

이 논문은 사람들이 이러한 AI 시스템을 구축하는 방식을 바꾸는 놀라운 사실을 발견했습니다.

불일치: 만약 AI 에게 축소된 전체 이미지를 보여가며 훈련시킨다면, AI 는 "작고 흐릿한 점"을 찾도록 학습합니다. 그런 다음 그 같은 AI 를 "퍼즐 조각" 전략 (결함이 크고 선명함) 에 사용하려고 하면, AI 는 완전히 실패합니다. 마치 토끼 사냥을 위해 토끼 사진을 보여주고 코끼리를 사냥하길 기대하는 것과 같습니다.
해결책: AI 를 사용할 때와 정확히 같은 방식으로 훈련해야 합니다. "퍼즐 조각" 전략을 사용할 계획이라면, AI 를 퍼즐 조각으로 훈련시켜야 합니다.
증거: 퍼즐 조각으로 AI 를 훈련시켰을 때, 그것은 결함 찾기의 대가가 되었습니다. 반면, "전체 이미지"로 훈련된 AI 를 퍼즐 조각에 적용하려 했을 때는 완전히 실패했습니다 (성공률이 72% 에서 1% 로 급감했습니다).

결과 요약

"전체 이미지" 접근법: 거의 모든 미세한 결함을 놓쳤습니다.
"퍼즐 조각" 접근법: 대부분의 결함을 찾았지만 가장자리에 있는 결함들은 처리하는 데 어려움을 겪었습니다.
"중첩 퍼즐" + "지능형 관리자" (TA-TM): 가장 많은 결함을 찾았으며, 재훈련이나 두뇌 변경 없이도 가장자리에 있는 까다로운 결함까지 포함했습니다. 단지 단서들을 결합하는 더 지능적인 방법이 필요했을 뿐입니다.

요약하자면: 거대한 이미지에서 작은 것들을 찾으려면 이미지를 축소하지 마세요. 겹치는 조각으로 자르고, 그 조각들로 AI 를 훈련시키며, 가장자리에서 나오는 단서들을 결합할 수 있는 지능적인 "관리자"를 사용하세요. 이 간단한 변화가 실패하는 시스템을 매우 정확한 시스템으로 바꾸었습니다.

기술 요약: 고해상도 PCB 결함 감지를 위한 스케일 인식 타일 추론 및 토폴로지 인식 병합

문제 제기
고해상도 인쇄 회로 기판 (PCB) 검사는 '해상도 붕괴 (resolution collapse)'라는 치명적인 과제에 직면해 있습니다. 표준 객체 감지기 (예: YOLO 계열) 는 고정된 입력 크기 (일반적으로 640×640 픽셀) 로 작동합니다. 전체 보드의 고해상도 이미지 (종종 1,500~6,000 픽셀) 를 이러한 입력에 맞게 크기 조절하면, 마이크로 규모의 결함은 몇 픽셀로 축소되어 감지가 불가능해집니다. 반면, 타일 기반 추론 (이미지를 더 작은 크롭으로 분할) 은 국부적 세부 정보를 보존하지만, 단순 적용 시 경계 아티팩트를 유발합니다. 타일 가장자리를 가로지르는 결함은 종종 부분적으로만 가시화되어 분할된 검출, 위음성 (false negatives), 또는 표준 비최대 억제 (NMS) 에 의해 억제되는 낮은 신뢰도 점수를 초래합니다. 더 나아가, 훈련과 추론 간의 스케일 불일치가 심각합니다: 크기 조절된 전체 이미지로 훈련된 모델은 네이티브 해상도 타일에 적용될 때 실패하며, 그 반대의 경우도 마찬가지입니다.

방법론
저자들은 감지기 아키텍처를 수정하는 대신 훈련 - 추론 스케일 일관성을 우선시하고 새로운 후처리 병합 전략을 도입하는 프레임워크를 제안합니다. 파이프라인은 네 단계로 구성됩니다:

스케일 인식 훈련: 전체 이미지를 크기 조절하는 대신, 감지기는 고해상도 원본 이미지에서 직접 추출된 640×640 픽셀 크롭만으로 훈련됩니다. 512 픽셀 스트라이드 (128 픽셀 오버랩) 를 가진 슬라이딩 윈도우를 사용하여 훈련 중 경계 근처의 결함이 완전히 가시화되도록 합니다. 그라운드 트루 박스는 잘려져 최소 40% 이상 가시성이 있는 것만 유지됩니다.
추론 전략: 동일한 타일 훈련 감지기를 사용하여 다섯 가지 전략을 평가합니다:
- 전체 이미지 추론: 전체 보드를 640 또는 1280 픽셀로 크기 조절.
- 타일 기반 (오버랩 없음): 겹치지 않는 타일 처리.
- 타일 기반 (오버랩 있음): 128 픽셀 오버랩을 가진 타일 처리.
토폴로지 인식 타일 병합 (TA-TM): 경계 아티팩트를 해결하도록 설계된 훈련 불필요, 아키텍처 무관한 후처리 방법.
- 그래프 구성: 타일 그리드를 인접 그래프로 모델링.
- 경계 감지: 각 예측에 대해 가장 가까운 타일 가장자리까지의 거리를 계산합니다. 임계값 ( $\tau = 16$ px) 이내의 검출은 '경계 민감성'으로 플래그가 지정됩니다.
- 합의 점수 매기기: 경계 민감성 검출의 경우, 알고리즘은 공유 경계를 가로지르는 동일한 클래스의 보완적 검출이 인접 타일에 있는지 확인합니다.
- 점수 조정: 보완적 검출이 존재하면, 경계 민감성 검출의 신뢰도 점수가 증폭됩니다 ( $s' = \min(1.0, s + \lambda \cdot A)$ , 여기서 $\lambda=0.2$ ).
- 전역 NMS: 조정된 점수를 기반으로 클래스 인식 NMS 를 사용하여 모든 예측을 병합하여, 이웃에 의해 확인된 분할 검출이 억제에서 살아남도록 합니다.

주요 기여

해상도 붕괴 분석: 이 논문은 훈련 - 추론 스케일 일관성이 성능의 지배적 요소임을 경험적으로 입증합니다. 전체 이미지로 훈련된 모델은 타일 크롭에 적용될 때 mAP@50 이 0.01 로 붕괴되는 반면, 타일 크롭으로 훈련된 모델은 mAP@50 이 0.72~0.94 에 달합니다.
체계적 비교: 여섯 가지 결함 클래스를 포함하는 두 개의 고해상도 데이터셋 (PCB-Defect 및 HRIPCB) 에 대한 다섯 가지 추론 전략의 엄격한 평가.
TA-TM 알고리즘: 재훈련이나 아키텍처 변경 없이 경계 영역 재현율 (recall) 을 향상시키는 경량 후처리 방법 도입.
배포 지향 지표: 표준 mAP 와 함께 소규모 결함 재현율 및 경계 영역 재현율에 대한 특정 지표를 포함하여 실제 산업적 요구를 반영한 평가.

결과
PCB-Defect(230 장 이미지) 및 HRIPCB(693 장 이미지) 에서 평가:

스케일 일관성: 타일 훈련 모델로 수행된 타일 기반 추론은 전체 이미지 추론보다 현저히 우수합니다. Full-640 추론은 PCB-Defect 에서 mAP@50 0.072, HRIPCB 에서 0.192 를 기록한 반면, 제안된 Tile+Overlap+TA-TM 전략은 각각 0.722 와 0.936 을 달성했습니다.
소규모 결함 복구: 타일 기반 방법은 전체 이미지 방법에서 완전히 놓쳤던 소규모 결함 (640 스케일 기준 16~~64 px²) 의 46~~100% 를 복구했습니다. HRIPCB 에서 타일 추론은 이러한 소규모 결함에 대해 100% 재현율을 달성했습니다.
경계 아티팩트 억제: 128 픽셀 오버랩을 추가하면 PCB-Defect 에서 경계 영역 (가장자리로부터 0~16 px) 재현율이 약 26% 에서 약 70% 로, HRIPCB 에서 약 63% 에서 100% 로 증가했습니다. TA-TM 은 전체 mAP 를 최고 수준으로 유지하면서 이러한 결과를 유지하거나 약간 개선했습니다.
효율성: 타일 기반 방법은 전체 이미지 추론 (54~~98 ms) 보다 느리지만 (247~~459 ms/이미지), 저자들은 정확도에서의 상당한 향상으로 인해 오프라인 산업 검사의 경우 여전히 실용적이라고 지적합니다.

의의 및 주장
이 논문은 고해상도 PCB 검사의 주요 병목 현상이 감지기 아키텍처 (예: YOLO 대 Transformer) 가 아니라 훈련과 추론 스케일의 정렬에 있다고 주장합니다. 저자들은 실무자들이 모델 복잡도를 최적화하기 전에 스케일 인식 훈련 프로토콜을 우선시해야 한다고 역설합니다.

제안된 TA-TM 방법은 재훈련 없이 기존 검사 파이프라인에 적용 가능한 일반화 가능한 '플러그 앤 플레이' 솔루션으로 제시됩니다. 저자들은 TA-TM 이 이미 강력한 기본 감지기의 경우 moderate 한 개선을 제공하며, 그 영향력은 더 낮은 신호 대 잡음비 (SNR) 조건이나 더 약한 감지기와 함께 사용될 때 더 두드러질 것이라고 겸손하게 인정합니다. 이 연구는 고해상도 결함 감지를 추론 전략 문제로 재정의하여, 산업용 컴퓨터 비전에서 해상도 붕괴와 경계 아티팩트를 처리하는 체계적인 접근 방식을 제공합니다.