PCBDet: An Efficient Deep Neural Network Object Detection Architecture for Automatic PCB Component Detection on the Edge

要約

特定の PCB に多数の電子部品が存在する可能性があるため、特に大規模な場合、欠陥を検出するための目視検査のタスクは非常に時間がかかり、エラーが発生しやすくなります。
そのため、特に深層学習を活用した PCB コンポーネントの自動検出に大きな関心が寄せられています。
ただし、ディープ ニューラル ネットワークは通常、大量の計算リソースを必要とするため、制約のあるエッジ コンピューティング リソースの可用性を伴う大容量および高スループットの検出を伴うことが多い、製造における実際のユース ケースでの実現可能性が制限される可能性があります。
このユース ケースのための効率的なディープ ニューラル ネットワーク アーキテクチャを調査した結果、PCBDet を導入しました。PCBDet は、最先端の推論スループットを提供するアテンション コンデンサー ネットワーク設計であり、他の最先端のニューラル ネットワークと比較して優れた PCB コンポーネント検出パフォーマンスを実現します。
-最先端の効率的なアーキテクチャ設計。
実験結果は、FICS-PCB ベンチマークで $\sim$2-4\% 高い mAP を達成しながら、EfficientNet ベースの設計と比較した場合、PCBDet は ARM Cortex A72 プロセッサで最大 2$\times$ の推論スピードアップを達成できることを示しています
データセット。

要約(オリジナル)

There can be numerous electronic components on a given PCB, making the task of visual inspection to detect defects very time-consuming and prone to error, especially at scale. There has thus been significant interest in automatic PCB component detection, particularly leveraging deep learning. However, deep neural networks typically require high computational resources, possibly limiting their feasibility in real-world use cases in manufacturing, which often involve high-volume and high-throughput detection with constrained edge computing resource availability. As a result of an exploration of efficient deep neural network architectures for this use case, we introduce PCBDet, an attention condenser network design that provides state-of-the-art inference throughput while achieving superior PCB component detection performance compared to other state-of-the-art efficient architecture designs. Experimental results show that PCBDet can achieve up to 2$\times$ inference speed-up on an ARM Cortex A72 processor when compared to an EfficientNet-based design while achieving $\sim$2-4\% higher mAP on the FICS-PCB benchmark dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google