Generativa motstridande nätverk som datautökning för förbättrad klassificering av chipplock

Florent Clouvel

Sammanfattning

Pick-and-place-maskiner används för kretskortsmontering, men ibland misslyckas de att plocka upp komponenterna korrekt. Bilder av chippen som plockats upp klassificeras av ett neuralt nätverk för att avgöra om processen utfördes rätt. Antalet bilder på vissa typer av fel i datasetet misstänks dock att vara begränsande för klassificeringsnogrannhet, men att samla in mer data skulle vara både besvärligt och kostsamt.

Datautökning gör det möjligt att träna upp en klassificerare med extra träningsdata, som antingen kan vara variationer av verkliga bilder eller helt nya bilder skapade av ett neuralt nätverk. För det senare är den vanligaste metoden generativa motstridande nätverk (GANs), som använder två konkurrerande neurala nätverk för att försöka producera så realistiska bilder som möjligt.

I detta arbete undersöks hur klassificeringsprestanda kan förbättras genom att justera och jämföra datautökning med traditionella metoder och med GANs som antingen genererar bilder från grunden eller utgår ifrån simulerade bilder. Även om teknikerna baserade på GANs inte överträffade standarddatautökning uppnåddes signifikanta förbättringar med dessa tre metoder.