고해상도 PCB 조립 결함 탐지를 위한 셀프슈퍼바이즈드 복원 네트워크 HiSIR‑Net

초록

HiSIR‑Net은 4K 수준의 고해상도 PCBA 이미지를 대상으로, 정상 이미지만으로 학습하는 셀프슈퍼바이즈드 복원 프레임워크이다. 핵심은 (i) 재구성 결과와 원본 입력을 선택적으로 결합하는 SIR‑Gate와 (ii) 겹치는 패치를 위치 정보를 활용해 일관되게 병합하는 ROPS이다. 두 모듈을 통해 미세 결함을 픽셀 수준으로 정확히 탐지하면서 거짓 양성률을 크게 낮춘다. 또한 500장의 4K PCBA 이미지로 구성된 SIPCBA‑500 데이터셋을 새롭게 제공한다.

상세 분석

본 논문은 고해상도(4K) PCBA 이미지에서 몇 픽셀에 불과한 미세 결함을 자동으로 탐지하는 문제를 셀프슈퍼바이즈드 복원 방식으로 해결한다. 기존 재구성 기반 이상 탐지 모델은 고해상도 이미지에 직접 적용하면 GPU 메모리 초과와 연산량 폭증, 혹은 다운샘플링으로 인한 미세 결함 감지 저하라는 두 가지 난관에 봉착한다. 저자는 이를 극복하기 위해 두 가지 경량 모듈을 설계하였다.

첫 번째 모듈인 Selective Input‑Reconstruction Gate(SIR‑Gate)는 복원 디코더와 마스크 디코더를 병렬로 두어, 각 픽셀마다 복원 결과를 신뢰할지 원본 입력을 그대로 사용할지를 결정한다. 마스크는 증강 파이프라인에서 생성한 의사 라벨(픽셀 마스크)을 Dice loss로 정규화하며, 복원 손실(MSE+SSIM)과 가중합한 총 손실에 포함된다. 백본이 ResNet처럼 노이즈가 많은 경우에는 Dice 가중치 γ를 작게 두어 복원 신호가 마스크 학습을 주도하게 하고, Swin‑UNet 같은 트랜스포머 백본에서는 γ를 0.1 정도로 높여 마스크가 미세 이상 신호에 민감하도록 조정한다. 이 설계는 불필요한 복원 노이즈를 효과적으로 억제해 거짓 양성률을 크게 감소시킨다.

두 번째 모듈인 Region‑level Optimized Patch Selection(ROPS)은 128×128 패치 단위로 이미지를 분할하고, 각 패치를 겹치게 재구성한 뒤 겹치는 영역을 어떻게 병합할지 결정한다. 단순 평균 병합은 경계 아티팩트를 남기지만, ROPS는 각 겹치는 영역에 대해 입력‑복원 차이를 계산해 차이가 작은 경우는 평균을, 차이가 큰 경우는 차이가 가장 큰 패치의 복원 결과를 선택한다. 또한 2‑D positional encoding을 패치에 삽입해 동일한 시각적 패턴이 다른 위치에 있을 때 혼동을 방지한다. 알고리즘은 차이 임계값 T_diff를 기준으로 정상 영역과 이상 영역을 구분하고, 이상 영역에서는 가장 큰 복원 차이를 보이는 패치를 선택함으로써 경계 아티팩트를 최소화한다.

데이터 측면에서 저자는 기존 공개 데이터셋이 저해상도·제한된 결함 종류에 머무는 문제를 인식하고, 4K 해상도, 정상 전용 학습 셋, 픽셀‑정밀 라벨을 갖춘 SIPCBA‑500을 구축하였다. 500장의 이미지에는 305개의 결함이 5가지 카테고리(부품 누락, 솔더 브리징, 이물, 과다 부품, 미스얼라인)로 라벨링되어 있다.

실험에서는 HiSIR‑Net을 Swin‑UNet 백본과 결합해 다양한 베이스라인(PatchCore, Efficient‑AD, GLASS 등)과 비교하였다. 픽셀‑레벨 AUROC, AUPRO, 그리고 결함‑레벨 F1-score에서 모두 현저히 우수한 성능을 보였으며, 특히 FP 비율이 기존 방법 대비 30% 이상 감소하였다. 추론 속도는 4K 이미지당 약 0.45초로 실시간에 근접한 수준을 유지한다.

전체적으로 본 연구는 (1) 고해상도 산업 이미지에 맞는 메모리‑효율적인 패치 기반 복원 파이프라인, (2) 복원 노이즈 억제와 이상 영역 강조를 위한 동적 게이팅, (3) 위치 정보를 활용한 경계 아티팩트 최소화라는 세 가지 핵심 아이디어를 통합함으로써, 기존 방법이 놓치기 쉬운 미세 결함을 정확히 탐지한다는 점에서 큰 의의를 가진다. 또한 SIPCBA‑500 데이터셋 공개는 향후 고해상도 PCB 검사 연구에 중요한 벤치마크가 될 것으로 기대된다.