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

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van te zoeken naar vingerafdrukken, zoek je naar minuscule, onzichtbare barstjes in de printplaten die je telefoon, je auto en zelfs de satellieten in de ruimte aandrijven. Deze printplaten, genaamd Printed Circuit Boards (PCB's), zijn de zenuwstelsels van moderne elektronica. Als er zelfs maar een microscopisch gaatje ontbreekt of een minuscuul draadje aanraakt waar het niet hoort, kan het hele apparaat falen. Lange tijd moesten mensen met een microscoop naar deze platen turen om de problemen te vinden, wat traag en vermoeiend was. Toen werden computers slim genoeg om naar foto's van deze platen te kijken en de fouten automatisch te ontdekken. Dit is waar "Deep Learning" om de hoek komt kijken—een type computerbrein dat patronen leert herkennen net zoals wij dat doen, maar dan veel sneller. Maar er is een addertje onder het gras: deze computerbreinen zijn vaak als zwarte dozen. Ze kunnen zeggen: "Deze plaat is kapot," maar ze kunnen niet uitleggen waarom of precies aanwijzen waar de plek is. In een fabriek moet je de machine kunnen vertrouwen, dus je moet weten waar de machine naar kijkt.

Dit artikel introduceert een slimme nieuwe manier om dat probleem op te lossen. De onderzoekers hebben een systeem gebouwd dat niet alleen defecten op printplaten opspoort; het legt ook zijn redenering uit, zoals een detective die je het bewijs laat zien. Ze gebruikten een lichtgewicht computerbrein genaamd MobileNetV3, dat is ontworpen om snel en efficiënt te zijn, perfect om te draaien op fabrieksapparatuur die niet over de kracht van een supercomputer beschikt. Maar hier komt de wending: ze lieten de computer niet alleen op eigen houtje leren. Ze gebruikten een speciale "coach" genaamd TRIBRID om de instellingen van de computer automatisch af te stemmen, waardoor de perfecte receptuur voor het leerproces werd gevonden zonder dat een mens hoefde te gissen. Ten slotte voegden ze een hulpmiddel toe genaamd Grad-CAM, dat werkt als een high-tech markeerstift en een gloeiende kaart tekent over het exacte deel van de afbeelding dat de computer deed besluiten dat er een defect aanwezig was. Het resultaat? Een systeem dat niet alleen ongelooflijk nauwkeurig is, maar ook transparant, door precies te laten zien waar het het probleem heeft gevonden.

De Nieuwe Gereedschapskist van de Detective

Het verhaal begint met de uitdaging van het inspecteren van Printed Circuit Boards (PCB's). Dit zijn de groene (of soms blauwe of zwarte) platen die je ziet in bijna elk elektronisch apparaat. Ze houden al deze kleine componenten bij elkaar en laten elektriciteit tussen hen door stromen. Als er een gat ontbreekt, een draadje gebroken is, of twee draadjes per ongeluk elkaar raken, stopt het apparaat met werken. Traditioneel controleerden mensen deze platen, maar dat was traag en foutgevoelig omdat mensen moe worden. Later namen machines genaamd Automated Optical Inspection (AOI)-systemen het over, die eenvoudige regels gebruikten om defecten te vinden. Maar deze machines hadden moeite wanneer de platen ingewikkelder werden of wanneer de verlichting veranderde.

Hier komt Deep Learning kijken. Denk aan een Deep Learning-model als een student die miljoenen foto's heeft bekeken en heeft geleerd om een "hond" of een "kat" te herkennen zonder dat iemand hem vertelde naar welke kenmerken hij moest zoeken. In dit artikel wilden de onderzoekers de computer leren om zes specifieke soorten PCB-defecten te herkennen: ontbrekende gaten, "mouse bites" (kleine inkepingen aan de rand), open circuits (gebroken verbindingen), kortsluitingen (draadjes die elkaar raken), "spurs" (ongewenste metalen stekels) en "spurious copper" (extra koper waar het niet hoort te zijn).

De onderzoekers kozen een specifiek type computerbrein genaamd MobileNetV3. Stel je dit voor als een "lichtgewicht" detective. In tegen tegenstelling tot de zware, trage detectives (zoals ResNet of EfficientNet) die enorme computers nodig hebben om na te denken, is MobileNetV3 ontworpen om snel en efficiënt te zijn, wat het perfect maakt voor real-time gebruik in een fabriek. Zelfs een slimme detective heeft echter de juiste instellingen nodig om perfect te functioneren. Als de leersnelheid te hoog is, mist hij details; is hij te laag, dan duurt het eeuwig. Meestal moeten mensen deze instellingen raden, wat is alsover je probeert een radio af te stemmen door willekeurig aan de knop te draaien.

Om dit op te lossen, gebruikte het team een methode genaamd TRIBRID. Zie TRIBRID als een super slimme coach die automatisch de instellingen van de detective aanpast. Het combineert drie verschillende strategieën om de perfecte combinatie te vinden van leersnelheid, hoeveel informatie genegeerd wordt (dropout), hoeveel afbeeldingen er tegelijkertijd worden bekeken (batch size) en hoeveel lagen van het brein opnieuw getraind moeten worden. Het raadt niet alleen maar wat; het verkent verschillende opties, leert van de beste opties en gebruikt zelfs een beetje willekeur om te voorkomen dat het vastloopt in een slecht scenario.

Ten slotte, om ervoor te zorgen dat de fabrieksmedewerkers het systeem vertrouwen, voegden de onderzoekers Grad-CAM toe. Dit is het "markeerstift"-hulpmiddel. Wanneer de computer zegt: "Dit is een kortsluiting," tekent Grad-CAM een hittekaart over de afbeelding, die rood gloeit op de exacte plek die de computer heeft overtuigd. Het bewijst dat de computer niet zomaar gokt op basis van de achtergrond; het kijkt daadwerkelijk naar het defect.

De Grote Test

De onderzoekers testten hun nieuwe systeem op een publieke dataset met 2.953 afbeeldingen van deze zes soorten defecten. Ze verdeelden de data zodat de computer kon leren van 70% van de afbeeldingen, kon oefenen op 15%, en vervolgens een definitieve test kon doen op de resterende 1s%.

De resultaten waren indrukwekkend. Toen ze hun TRIBRID-geoptimaliseerde MobileNetV3 vergeleken met andere modellen, won het nieuwe systeem elke keer.

• Een standaard, niet-geoptimaliseerd computerbrein (een aangepaste CNN) kreeg ongeveer 84,42% van de defecten goed.
• De standaard MobileNetV3, zonder de TRIBRID-coach, kreeg 99,32% goed.
• Maar de TRIBRID-geoptimaliseerde MobileNetV3 behaalde een perfecte score van 100,00% op precisie, recall en F1-score.

Dit betekent dat het systeem elk defect in de testset correct identificeerde zonder een enkele fout te maken. Het presteerde ook net zo goed als veel zwaardere, tragere modellen zoals ResNet18 en EfficientNet-B0, die ook rond de 99,77% scoorden, maar het nieuwe systeem deed dit terwijl het lichtgewicht en snel bleef.

Om te bewijzen dat de TRIBRID-coach het geheime ingrediënt was, voerde het team een experiment uit genaamd een "ablatie-studie". Ze vergeleken TRIBRID met twee andere manieren om de instellingen af te stemmen: Random Search (willekeurig gokken) en PSO (een andere optimalisatiemethode).

• Alle drie de methoden slaagden erin om 100% nauwkeurigheid te bereiken.
• Echter, de TRIBRID-methode was de meest efficiënt. Het had slechts 9 lagen van het computerbrein nodig om het perfecte resultaat te bereiken.
• De Random Search-methode moest 12 lagen hertrainen, en de PSO-methode moest 15 lagen hertrainen.

Dit suggereert dat TRIBRID slimmer is in het vinden van de juiste instellingen, waardoor het systeem meer van zijn oorspronkelijke "kennis" uit de initiële training kan behouden terwijl het zich toch perfect aanpast aan de nieuwe taak.

Zien is Geloven

Het meest boeiende deel van het artikel is de sectie over "Verklaarbaarheid". De onderzoekers wilden niet alleen dat de computer het goed had; ze wilden weten waarom het zo was. Ze gebruikten Grad-CAM om het besluitvormingsproces te visualiseren.

Wanneer ze de computer een afbeelding van een "Missing Hole" (ontbrekend gat) lieten zien, gloeide de hittekaart fel precies boven het lege gat. Wanneer ze een "Mouse Bite" lieten zien, highlight de gloed de gekartelde rand van de plaat. Voor "Open Circuits" en "Short Circuits" focuste het systeem correct op de gebroken lijnen of de accidentele verbindingen. Zelfs voor lastige defecten zoals "Spurs" en "Spurious Copper" wezen de hittekaarten accuraat naar de kleine metalen stekels en extra koperklodders.

Dit is cruciaal voor industrieel gebruik. Als een fabrieksmanager een rode gloed op een specifieke plek ziet, kan hij de machine vertrouwen. Als de gloed op de achtergrond of een willekeurige plek zat, zou hij weten dat de machine in de war is. Het artikel laat zien dat het systeem niet slechts een "black box" is die gokt; het is een transparant hulpmiddel dat precies aanwijst wat het ziet.

Wat Dit Betekent

Het artikel concludeert dat dit TRIBRID-geoptimaliseerde framework een krachtig hulpmiddel is voor de toekomst van productie. Het combineert de snelheid van een lichtgewicht model met de intelligentie van automatische afstemming en de betrouwbaarheid van visuele verklaringen. De onderzoekers merken op dat hoewel hun systeem perfect werkte op de uitgesneden afbeeldingen die ze testten, de volgende stap is om te zien hoe het omgaat met volledige, ongesneden afbeeldingen in echte fabrieksomgevingen. Ze hopen ook om dit systeem uiteindelijk op edge-devices (kleine computers direct op de fabrieksvloer) te plaatsen om defecten in real-time te detecteren.

Kortom, de auteurs hebben een systeem gebouwd dat niet alleen een perfecte detective is, maar ook een zeer eerlijke detective, die zijn werk laat zien en bewijst dat met de juiste coaching zelfs een lichtgewicht computerbrein complexe industriële mysteries kan oplossen.