國立臺灣師範大學博碩士論文全文系統

簡易檢索 / 詳目顯示

回結果列表

研究生：	古佳儫 Koo, Jia-Hao
論文名稱：	基於熱點圖標記法則發展元件佈局檢測系統應用於PCB之研究 A component layout inspection system based on the heat map marking rule applied to Printed Circuit Boards
指導教授：	黃文吉 Hwang, Wen-Jyi
口試委員：	董一志 Tung, Yi-Chih 尤信程 You, Shin-Cheng 黃文吉 Hwang, Wen-Jyi
口試日期：	2022/07/25
學位類別：	碩士 Master
系所名稱：	資訊工程學系 Department of Computer Science and Information Engineering
論文出版年：	2022
畢業學年度：	110
語文別：	中文
論文頁數：	47
中文關鍵詞：	元件檢測、物件偵測、熱點圖、深度學習、邊緣運算裝置
英文關鍵詞：	CenterNet
研究方法:	實驗設計法
DOI URL：	http://doi.org/10.6345/NTNU202201353
論文種類：	學術論文
相關次數：	點閱：99 下載：8
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

Printed Circuit Board(PCB)是電子元件的支撐體，上面存在許多元件，且每個元件都非常重要，因此工廠在生產PCB的過程中，品質管理也是一大考驗。元件佈局檢測是自動光學檢測(Automated Optical Inspection)中重要的檢測項目之一，透過元件佈局檢測能夠快速掌握整個PCB所有目標元件的座標位置，從這些座標中可以統計出目標元件數量以及位置是否正確，對於PCB的品質管理有極大的幫助。
本論文以CenterNet神經網路架構為基礎，開發一套元件佈局檢測系統，在 PCB的元件佈局檢測中，提出熱點圖(Heatmap)標記法則，使得各類元件在佈局檢測上都能有不錯的準確度，在多種類元件佈局檢測中，提出獨立特徵擷取層(Frontend)的架構，使模型具備彈性，不需要重新訓練，並且根據熱點圖標記法則，對於相同類型的熱點可以將特徵擷取層共享，來減少模型參數。
本論文使用的神經網路架構，簡化了CenterNet原本的模型，並對訓練好的模型進行優化，使其能在邊緣裝置上實現即時檢測，並維持不錯的準確度，使其能夠更方便應用於工廠的檢測。

摘要	I
目錄	II
表目錄	IV
圖目錄	V
第一章 研究背景	1
1-1 緒論	1
1-2 文獻探討	3
1-2-1 YOLO物件偵測	3
1-2-2 CornerNet物件偵測	4
1-2-3 CenterNet物件偵測	5
1-3 研究目的與貢獻	6
1-3-1 研究困難	6
1-3-2 研究目的	7
1-3-3 研究貢獻	8
第二章 理論基礎	9
2-1 Object detection	9
2-2 Anchor-base與Anchor-free	11
2-3 CenterNet	13
2-4 Transfer Learning	16
第三章 研究方法	17
3-1 單一元件佈局檢測	17
3-2 CenterNet模型架構	18
3-3 Ground Truth Generation	20
3-4 Heatmap Ground Truth 產生法則	22
3-4-1 有邊界限制的熱點圖產生方式	22
3-4-2 無邊界限制的熱點圖產生方式	23
3-5 後處理	23
3-5-1 Heatmap抓取中心點	24
3-5-2 bounding box	25
3-6 多種元件佈局檢測	26
3-7 Frontend Transfer Learning	29
第四章 實驗數據與效能分析	30
4-1 實驗環境	30
4-2 實驗樣品與檢測元件	31
4-3 資料集產生	32
4-4 模型評估方法	35
4-5 模型預測結果評估	37
4-5-1 獨立Frontend模型	38
4-5-2 部分共享Frontend模型	40
4-6 邊緣運算裝置元件佈局檢測	42
第五章 結論	45
參考文獻	46
                                

[1] Crispin, A. J., and Rankov, V. "Automated inspection of PCB components using a genetic algorithm template-matching approach." The International Journal of Advanced Manufacturing Technology 35.3 (2007): 293-300.

[2] Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

[3] Law, H, and Deng, J. "Cornernet: Detecting objects as paired keypoints." Proceedings of the European conference on computer vision (ECCV). 2018.

[4] Zhou, X., Wang, D. and Krähenbühl, P. "Objects as points." arXiv preprint arXiv:1904.07850 (2019).

[5] Tsai, C. C. "A Study of Centernet Based AOI Assistant System Development." National Taiwan Normal University, 2021.

[6] Ren, S., He, K., Girshick, R., and Sun, J. "Faster r-cnn: Towards real-time object detection with region proposal networks." Advances in neural information processing systems 28 (2015).

[7] Zhang, S., Chi, C., Yao, Y., Lei, Z., and Li, S. Z. "Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020.

[8] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., and Berg, A. C. "Ssd: Single shot multibox detector." European conference on computer vision. Springer, Cham, 2016.

[9] Bochkovskiy, A., Wang, C. Y., and Liao, H. Y. M. "Yolov4: Optimal speed and accuracy of object detection." arXiv preprint arXiv:2004.10934 (2020).

[10] Lin, T. Y., Goyal, P., Girshick, R., He, K., and Dollár, P. "Focal loss for dense object detection." Proceedings of the IEEE international conference on computer vision. 2017.

[11] Lin, T. Y., Dollár, P., Girshick, R., He, K., Hariharan, B., and Belongie, S. "Feature pyramid networks for object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.

簡易檢索 / 詳目顯示

相關論文