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

Technische Samenvatting: Schaalbewuste Tegelinferentie met Topologiebewuste Samenvoeging voor Hoogresolutie PCB-Defectdetectie

Probleemstelling
De inspectie van hoogresolutie Printed Circuit Boards (PCB's) staat voor een kritieke uitdaging die bekendstaat als "resolutie-instorting". Standaard objectdetectoren (bijvoorbeeld uit de YOLO-familie) werken met vaste invoergroottes (doorgaans 640×640 pixels). Wanneer volledige hoogresolutie plaatjes (vaak 1.500–6.000 pixels) worden herschaald om aan deze invoer te voldoen, krimpen microscopische defecten tot enkele pixels, waardoor ze ondetecteerbaar worden. Omgekeerd, terwijl tegelgebaseerde inferentie (het snijden van plaatjes in kleinere crops) lokale details behoudt, introduceert een naïeve toepassing grensartefacten. Defecten die over tegelranden heen liggen, zijn vaak slechts gedeeltelijk zichtbaar, wat leidt tot gesplitste detecties, vals-negatieven of lage betrouwbaarheidsscores die door standaard Non-Maximum Suppression (NMS) worden onderdrukt. Bovendien bestaat er een aanzienlijke discrepantie tussen trainings- en inferentieschalen: modellen die zijn getraind op herschaalde volledige plaatjes falen wanneer ze worden toegepast op native-resolutie tegels, en omgekeerd.

Methodologie
De auteurs stellen een raamwerk voor dat prioriteit geeft aan consistentie in schaal tussen training en inferentie, en introduceert een nieuwe post-processing strategie voor samenvoeging, in plaats van detectorarchitecturen te wijzigen. De pijplijn bestaat uit vier fasen:

1. Schaalbewuste Training: In plaats van volledige plaatjes te herschalen, wordt de detector uitsluitend getraind op 640×640 pixels crops die rechtstreeks uit hoogresolutie bronplaatjes zijn gehaald. Een glijdend venster met een stapgrootte van 512 pixels (128 pixels overlap) zorgt ervoor dat defecten nabij grenzen tijdens de training volledig zichtbaar zijn. Ground-truth-bokken worden bijgesneden, waarbij alleen die worden behouden met minimaal 40% zichtbaarheid.
2. Inferentiestrategieën: De studie evalueert vijf strategieën met dezelfde op tegels getrainde detector:
   • Volledige-plaatjes-inferentie: Het herschalen van het volledige bord naar 640 of 1280 pixels.
   • Tegelgebaseerd (zonder overlap): Het verwerken van niet-overlappende tegels.
   • Tegelgebaseerd (met overlap): Het verwerken van tegels met 128 pixels overlap.
3. Topologiebewuste Tegelsamenvoeging (TA-TM): Een trainingsvrije, architectuur-onafhankelijke post-processing methode ontworpen om grensartefacten op te lossen.
   • Grafconstructie: Het tegelrooster wordt gemodelleerd als een aangrenzing-graf.
   • Grensdetectie: Voor elke voorspelling wordt de afstand tot de dichtstbijzijnde tegelrand berekend. Detecties binnen een drempel ($\tau = 16$ px) worden gemarkeerd als "grensgevoelig".
   • Akkoord-score: Voor een grensgevoelige detectie controleert het algoritme aangrenzende tegels op complementaire detecties van dezelfde klasse die over de gedeelde grens overlappen.
   • Score-aanpassing: Als een complementaire detectie bestaat, wordt de betrouwbaarheidsscore van de grensgevoelige detectie verhoogd ($s' = \min(1.0, s + \lambda \cdot A)$, waarbij $\lambda=0.2$).
   • Globale NMS: Alle voorspellingen worden samengevoegd met klassenbewuste NMS op basis van deze aangepaste scores, waardoor gesplitste detecties die door buren worden bevestigd, de onderdrukking overleven.

Belangrijkste Bijdragen

• Analyse van Resolutie-instorting: Het artikel demonstreert empirisch dat consistentie in schaal tussen training en inferentie de dominante factor is in prestaties. Een model dat is getraind op volledige plaatjes stort in tot een mAP@50 van 0,01 wanneer toegepast op tegel-crops, terwijl een model getraind op tegel-crops een mAP@50 van 0,72–0,94 bereikt.
• Systematische Vergelijking: Een rigoureuze evaluatie van vijf inferentiestrategieën over twee hoogresolutie datasets (PCB-Defect en HRIPCB) die zes defectklassen bestrijken.
• TA-TM-algoritme: De introductie van een lichtgewicht post-processing methode die de recall in grenszones verbetert zonder hertraining of architecturale wijzigingen.
• Implementatie-gerichte Metrieken: De evaluatie omvat standaard mAP naast specifieke metrieken voor recall van kleine defecten en recall in grenszones, waarmee praktische industriële behoeften worden aangepakt.

Resultaten
Geëvalueerd op PCB-Defect (230 plaatjes) en HRIPCB (693 plaatjes):

• Schaalconsistentie: Tegelgebaseerde inferentie met een op tegels getraind model presteert aanzienlijk beter dan volledige-plaatjes-inferentie. Volledige-640-inferentie leverde een mAP@50 van 0,072 (PCB-Defect) en 0,192 (HRIPCB) op, terwijl de voorgestelde strategie Tegels+Overlap+TA-TM respectievelijk 0,722 en 0,936 bereikte.
• Herstel van Kleine Defecten: Tegelgebaseerde methoden herstelden 46–100% van de kleine defecten (16–64 px² op 640-schaal) die volledig werden gemist door volledige-plaatjes-methoden. Op HRIPCB bereikte tegelinferentie 100% recall voor deze kleine defecten.
• Onderdrukking van Grensartefacten: Het toevoegen van 128 pixels overlap verhoogde de recall in grenszones (0–16 px van de rand) van ongeveer 26% naar ongeveer 70% op PCB-Defect en van ongeveer 63% naar 100% op HRIPCB. TA-TM behield of verbeterde deze resultaten licht, terwijl het de hoogste algehele mAP bereikte.
• Efficiëntie: Hoewel tegelgebaseerde methoden trager zijn (247–459 ms/plaatje) dan volledige-plaatjes-inferentie (54–98 ms), merken de auteurs op dat dit nog steeds praktisch is voor offline industriële inspectie gezien de aanzienlijke winst in nauwkeurigheid.

Betekenis en Beweringen
Het artikel beweert dat de primaire bottleneck in hoogresolutie PCB-inspectie niet de detectorarchitectuur is (bijvoorbeeld YOLO versus Transformer), maar de uitlijning van trainings- en inferentieschalen. De auteurs betogen dat practitioners prioriteit moeten geven aan schaalbewuste trainingsprotocollen voordat ze modelcomplexiteit optimaliseren.

De voorgestelde TA-TM-methode wordt gepresenteerd als een generaliseerbare, "plug-and-play"-oplossing die kan worden toegepast op bestaande inspectiepijplijnen zonder hertraining. De auteurs erkennen bescheiden dat TA-TM gematigde verbeteringen biedt wanneer de basisdetector al sterk is, wat suggereert dat de impact duidelijker zou zijn bij lagere SNR-omstandigheden of met zwakkere detectoren. Het werk herformuleert hoogresolutie defectdetectie als een probleem van inferentiestrategie en biedt een systematische aanpak voor het hanteren van resolutie-instorting en grensartefacten in industriële computervisie.