DMASNet: A Defect Detection Network for PCBs via Multi-Scale Feature Collaborative Optimization

기술 요약: PCB 결함 탐지를 위한 DMASNet

문제 정의
인쇄 회로 기판(PCB)의 결함을 신뢰성 있게 탐지하는 것은 현대 제조 공정에서 중요한 과제로 남아 있습니다. 이는 결함 크기의 폭넓은 변화와 복잡한 제조 배경 때문입니다. 기존의 검사 방식은 명확한 한계에 직면해 있습니다: 수동 육안 검사는 노동 집약적이며 일관성이 부족하고, 전기적 테스트는 보드에 물리적 손상을 입힐 위험이 있으며, 전통적인 자동 광학 검사(AOI) 시스템은 종종 작거나 형태가 불규칙한 결함 탐지에 어려움을 겪으며, 빈번한 파라미터 조정이 필요하고 유연한 제조 환경에서의 적응력이 부족합니다. 딥러러닝이 유망한 대안을 제시하고 있으나, 기존 모델들은 고정밀 다중 스케일 특징 추출의 필요성과 실시간 산업 현장 배포에 필요한 계산 효율성 사이의 균형을 맞추는 데 종종 실패합니다.

방법론
저자들은 PCB 결함 검사를 위해 특별히 최적화된, YOLO11 아키텍처를 기반으로 한 경량 탐지 프레임워크인 DMASNet을 제안합니다. 이 네트워크는 표준 3단계 구조(백본, 넥, 탐지 헤드)를 유지하면서, 스케일 변화, 배경 간섭 및 계산 비용 문제를 해결하기 위해 네 가지 핵심적인 아키텍처 수정을 도입했습니다:

1. 동적 업샘플링 재구성 (DySample): 정적 업샘플링에서 흔히 발생하는 픽셀 에일리어싱(aliasing)과 배경 간섭을 완화하기 위해, 저자들은 표준 업샘플링을 DySample 모듈로 대체했습니다. 이 연산자는 깊은 층의 저해상도 특징 맵으로부터의 시맨틱 정보를 활용하여 적응형 샘플링 지점을 가이드합니다. 특징 업스케일링 과정에서 공간적 불일치를 교정함으로써, 작은 결함의 표현력을 높이는 동시에 무관한 배경 텍스처를 억제합니다.
2. 다중 스케일 특징 추출 (MSCB): PCB 결함의 픽셀 스케일이 크게 변한다는 점을 인식하여, 표준 C3k2 모듈을 다중 스케일 컨볼루션 블록(MSCB)으로 강화했습니다. 이 모듈은 다중 스케일 뎁스와이즈 컨볼루션(MSDC)을 통합하여 서로 보완적인 다양한 공간 스케일의 특징을 포착합니다. 이는 병렬 뎁스와이즈 컨볼루션을 사용하여 국부적인 고주파 텍스처와 더 넓은 구조적 패턴을 모두 추출한 후, 채널 셔플링을 통해 스케일 간의 특징 상호작용을 촉진합니다.
3. 경량 다운샘플링 (ASDown): 다중 스케일 특징 추출으로 인해 발생하는 계산 오버헤드를 상쇄하기 위해, 원래의 단일 스트라이드 컨볼루션을 ASDown 모듈로 대체했습니다. 이 모듈은 표준 컨볼루션을 뎁스와이즈 분리 가능 컨볼루션(depthwise separable convolutions)으로 대체하여, 다운샘플링 안정성을 유지하면서도 파라미터 수와 부동 소수점 연산량(FLOPs)을 크게 줄입니다.
4. 바운딩 박스 회귀 최적화 (SIoU): 본 연구는 기존의 IoU 기반 손실 함수를 대신하여 SIoU(Scalable IoU) 손실 함수를 채택했습니다. SIoU는 기본 IoU 항 외에도 각도, 거리, 형상 비용을 포함합니다. 이 설계는 방향성 제약과 각도 편차에 따른 동적 페널티를 도입하여, 작고 불규칙한 모양의 결함에 대한 위치 정확도를 개선하고 학습 수렴을 안정화하는 것을 목표로 합니다.

주요 기여
본 논문은 다섯 가지 주요 기여를 요약합니다:

• 업샘플링 최적화: 공간적 불일치를 교정하고 상당한 계산 비용 증가 없이 배경 간섭을 줄이기 위한 동적 업샘플링 연산자 도입.
• 특징 추출 최적화: 복잡한 배경 조건에서도 다양한 크기의 결함을 탐지하는 모델의 능력을 향상시키기 위한 다중 스케일 컨볼루션 전략 구현.
• 복잡도 감소: 특징 향상으로 추가된 비용을 상쇄하기 위해 ASDown 모듈을 배치하여 전체 모델 복잡도 감소.
• 손실 함수 최적화: 특히 작은 타겟에 대해 위치 정확도와 탐지 강건성을 개선하기 위해 SIo를 활용.
• 실험적 검증 및 배포: 자체 구축한 SMT 데이터셋과 공개된 DeepPCB 데이터셋 모두에서 종합적인 평가를 수행하였으며, 이후 NVIDIA Jetson Orin Nano 임베디드 플랫폼에 성공적으로 배포하여 실시간 실행 가능성을 입증함.

실험 결과
제안된 모델은 두 가지 데이터셋에 대해 여러 최신 탐지기(RT-DETR-L 및 다양한 YOLO 버전 포함)와 비교 평가되었습니다:

• SMT 데이터셋 (자체 구축): DMASNet은 YOLO11n 베이스라인 대비 mAP50(50% IoU 기준 평균 정밀도)을 4.5 퍼센트 포인트 향상시켰습니다. 또한 탐지 속도를 20.4% 높이는 동시에 총 파라미터 수를 0.41 백만 개(2.58M에서 2.17M으로) 줄였습니다. 특히, 어블레이션 연구(ablation study)에 따르면 ASDown 모듈 도입만으로 이전 구성 대비 파라미터 수가 0.48M 감소했음을 확인했습니다.
• DeepPCB 데이터셋 (공개): 모델은 강력한 일반화 성능을 보여주었으며, 베이스라인(98.3%) 대비 mAP50을 0.6 퍼센트 포인트 향상시켰습니다(98.9%).
• 어블레이션 연구: 실험을 통해 DySample과 MSCB가 정확도 향상의 주요 동력임을 확인하였으며, ASDown은 정확도의 최소한의 희생만으로 모델 크기를 효과적으로 줄였음을 확인했습니다. SIoU는 바운딩 박스 회귀를 더욱 정교하게 만들었습니다.
• 임베디드 배포: NVIDIA Jetson Orin Nano에서 TensorRT FP16 가속을 사용하여 배포했을 때, DMASNet은 25.7 ms의 추론 지연 시간을 달 기록하며 산업 환경의 실시간 검사 요구 사항을 충족했습니다.

의의 및 주장
본 논문은 DMASNet이 탐지 정확도와 추론 효율성 사이에서 유리한 절충안을 제공하며, 배경 복잡도와 결함 스케일 변화가 빈번한 산업용 PCB 검사에 특히 적합하다고 주장합니다. 동적 샘플링, 다중 스케일 특징 융합, 경량 다운샘플링을 통합함으로써, 이 모델은 해당 분야의 기존 딥러닝 접근 방식이 가진 구체적인 한계점들을 해결합니다. 에지 디바이스에서의 성공적인 배포는 실시간 온라인 품질 관리를 위한 이 접근 방식의 실제적인 엔지니어링 타당성을 입증합니다. 저자들은 현재 시스템이 탐지와 인식에 집중하고 있으며, 향후 작업으로서 이러한 출력값들을 하위 단계의 수리 스테이션과 통합하여 폐쇄 루프형 검사-수리 시스템을 구축할 계획이라고 밝혔습니다.