현 단계의 인쇄회로기판(Printed Circuit Board, PCB) 결함 검출 방법이 결함의 세부 정보와 전체 정보를 동시에 고려하지 못하는 문제를 해결하기 위해, 픽셀 간 합성곱 또는 풀링을 통한 다운샘플링 연산이 PCB 표면 결함의 전체 정보와 세부 정보 손실을 더욱 초래한다. 일부 방법은 주의(attention)를 활용해 층 내 정보를 집중하지만, 일반 합성곱 특징 추출 후 발생하는 가중치 편향 문제에 대한 관심이 부족하다. 본 논문에서는 PCB 표면 결함 검출 네트워크(PCB defect detection Network, PCBNet)를 제안한다. 이 방법은 팽창 압출 합성곱(Dilation and extrusion Convolution, DeConv)을 설계하여 PCB 표면 결함의 전체 정보와 세부 정보를 추출하고, 공간-채널 집중 합성곱(Spatial to Passage Directed Focused Convolution, SPD-Conv)을 사용해 다운샘플링 시 정보 손실을 줄이며, 미세 특징 강화 모듈(Subtle Feature Enhancement Module, SFEM)을 설계해 PCB 표면 결함 특징의 층 내 관계를 조절하고 가중치 편향을 줄이는 동시에 알고리즘의 미세 특징 인지 능력을 향상한다. 현장에서 수집한 PCB 표면 납땜 결함 데이터셋과 PCB Defect-Augmented 데이터셋에서 여러 최첨단 방법과 비교한 실험 결과, PCBNet은 PCB 표면 납땜 결함 데이터셋에서 초당 83프레임의 속도로 정확한 인식이 가능할 뿐만 아니라 PCB Defect-Augmented 데이터셋에서 COCO 데이터셋 평가 지표 mAP_0.5에서 최고 정확도를 획득했다. 이는 본 방법이 임베디드 장치에서 실행 가능한 잠재력을 지녔음을 나타낸다.

PCB 결함 검출; 팽창 압출 합성곱; 공간-채널 집중 합성곱; 미세 특징 강화; 객체 검출