CRRN untuk Pengesanan Anomali Spasial-Masa dalam Pemeriksaan Pasta Pateri

Kandungan

1. Pengenalan & Gambaran Keseluruhan

Kertas kerja ini membahas cabaran kritikal dalam Teknologi Permukaan Terpasang (SMT) untuk pembuatan Papan Litar Bercetak (PCB): mengesan anomali yang disebabkan oleh kecacatan pencetak semasa peringkat percetakan pasta pateri. Kaedah pemeriksaan tradisional, seperti Pemeriksaan Pasta Pateri (SPI), bergantung pada ambang statistik dengan andaian taburan normal isipadu pasta pateri. Pendekatan ini gagal apabila kerosakan pencetak secara sistematik mempengaruhi taburan data. Penyelesaian yang dicadangkan ialah Rangkaian Pembinaan Semula Berulang Konvolusi (CRRN), model pengesanan anomali satu kelas yang belajar hanya daripada corak data normal dan mengenal pasti anomali melalui ralat pembinaan semula. Inovasi teras terletak pada keupayaannya untuk menguraikan corak anomali spasial-masa daripada data SPI berjujukan, melangkaui sekadar ambang mudah kepada perwakilan terpelajar bagi tingkah laku proses normal.

2. Metodologi & Seni Bina

CRRN ialah penyahkod automatik berulang konvolusi (CRAE) khusus yang direka untuk data jujukan spasial-masa. Seni binanya disesuaikan untuk menangkap kedua-dua ciri spatial (cth., bentuk pasta pateri pada pad) dan kebergantungan temporal (cth., corak merentasi papan atau pad berturut-turut).

2.1 Gambaran Keseluruhan Seni Bina CRRN

Rangkaian ini terdiri daripada tiga komponen utama:

1. Pengekod Spatial (S-Encoder): Mengekstrak ciri spatial daripada bingkai input individu (cth., satu tangkapan ukuran SPI) menggunakan lapisan konvolusi.
2. Pengekod-Penyahkod Spasial-Masa (ST-Encoder-Decoder): Modul teras yang memproses jujukan. Ia mengandungi berbilang blok Ingatan Spasial-Masa Konvolusi (CSTM) dan mekanisme ST-Attention untuk memodelkan dinamik temporal dan kebergantungan jarak jauh.
3. Penyahkod Spatial (S-Decoder): Membina semula jujukan input daripada perwakilan laten spasial-masa menggunakan konvolusi terbalik.

Model ini dilatih secara eksklusif pada jujukan data SPI normal. Semasa inferens, ralat pembinaan semula yang tinggi menunjukkan sisihan daripada corak normal yang dipelajari, menandakan potensi anomali.

2.2 Ingatan Spasial-Masa Konvolusi (CSTM)

CSTM ialah unit baharu yang dibangunkan untuk mengekstrak corak spasial-masa dengan cekap. Ia menggabungkan operasi konvolusi ke dalam struktur ingatan berulang, serupa dengan Konvolusi LSTM (ConvLSTM) tetapi dioptimumkan untuk tugas khusus. Ia mengemas kini keadaan sel $C_t$ dan keadaan tersembunyi $H_t$ menggunakan get konvolusi, membolehkannya mengekalkan korelasi spatial merentasi masa: $$i_t = \sigma(W_{xi} * X_t + W_{hi} * H_{t-1} + b_i)$$ $$f_t = \sigma(W_{xf} * X_t + W_{hf} * H_{t-1} + b_f)$$ $$C_t = f_t \odot C_{t-1} + i_t \odot \tanh(W_{xc} * X_t + W_{hc} * H_{t-1} + b_c)$$ $$o_t = \sigma(W_{xo} * X_t + W_{ho} * H_{t-1} + b_o)$$ $$H_t = o_t \odot \tanh(C_t)$$ di mana $*$ menandakan konvolusi dan $\odot$ menandakan pendaraban unsur demi unsur.

2.3 Perhatian Spasial-Masa (ST-Attention)

Untuk menangani masalah kecerunan lenyap dalam jujukan panjang, mekanisme ST-Attention direka. Ia memudahkan aliran maklumat dari ST-Encoder ke ST-Decoder dengan membenarkan penyahkod "memberi perhatian" kepada keadaan pengekod yang relevan merentasi semua langkah masa, bukan hanya yang terakhir. Ini adalah penting untuk menangkap kebergantungan jangka panjang dalam proses pembuatan, seperti hanyutan beransur-ansur dalam prestasi pencetak.

3. Butiran Teknikal & Formulasi Matematik

Objektif latihan adalah untuk meminimumkan kerugian pembinaan semula antara jujukan input $X = \{x_1, x_2, ..., x_T\}$ dan jujukan dibina semula $\hat{X} = \{\hat{x}_1, \hat{x}_2, ..., \hat{x}_T\}$, biasanya menggunakan Ralat Min Kuasa Dua (MSE): $$\mathcal{L}_{recon} = \frac{1}{T} \sum_{t=1}^{T} \| x_t - \hat{x}_t \|^2$$ Skor anomali untuk jujukan baharu kemudian ditakrifkan sebagai ralat pembinaan semula ini. Satu ambang (sering ditentukan secara empirikal pada set pengesahan data normal) digunakan untuk mengklasifikasikan jujukan sebagai normal atau anomali.

4. Keputusan Eksperimen & Prestasi

Kertas kerja ini menunjukkan keunggulan CRRN berbanding model konvensional seperti Penyahkod Automatik (AE) piawai, Penyahkod Automatik Variasi (VAE), dan model berulang yang lebih mudah. Keputusan utama termasuk:

• Ketepatan Pengesanan Anomali Lebih Tinggi: CRRN mencapai metrik prestasi unggul (cth., skor-F1, AUC-ROC) pada set data SPI dunia sebenar berbanding garis asas.
• Penguraian Anomali Berkesan: Model ini menjana "peta anomali" yang melokalisasikan pad rosak dalam PCB, menyediakan diagnostik yang boleh ditafsir. Peta ini disahkan melalui tugas klasifikasi kecacatan pencetak sekunder, menunjukkan kuasa diskriminatif yang tinggi.
• Kekukuhan terhadap Jujukan Panjang: Mekanisme ST-Attention membolehkan pembelajaran berkesan merentasi konteks temporal panjang di mana model lain gagal.

Penerangan Carta: Satu carta bar hipotesis akan menunjukkan CRRN mengatasi AE, VAE, dan LSTM-AE dari segi Kawasan Di Bawah Lengkung (AUC) untuk pengesanan anomali pada set data SPI.

5. Kerangka Analisis & Kajian Kes

Aplikasi Kerangka (Contoh Bukan Kod): Pertimbangkan senario di mana stensil SPP mula tersumbat secara beransur-ansur dari masa ke masa. SPI tradisional mungkin hanya menandakan pad sebaik sahaja isipadunya jatuh di bawah ambang statik. Walau bagaimanapun, CRRN akan memproses jujukan ukuran SPI untuk semua pad. Ia mempelajari korelasi normal antara isipadu pad merentasi papan dan dari masa ke masa. Penyumbatan beransur-ansur memperkenalkan hanyutan halus yang berkorelasi secara spatial (cth., pad di kawasan tertentu menunjukkan trend menurun yang konsisten). CSTM CRRN menangkap sisihan corak spasial-masa ini, dan ralat pembinaan semula meningkat sebelum pad individu melanggar ambang keras, membolehkan penyelenggaraan ramalan. Mekanisme ST-Attention membantu menghubungkan anomali semasa kepada keadaan pengekod dari beberapa jam sebelumnya apabila hanyutan bermula.

6. Aplikasi Masa Depan & Hala Tuju Penyelidikan

• Pengesanan Anomali Rentas Modal: Mengintegrasikan CRRN dengan data dari sensor lain (cth., sistem penglihatan, sensor tekanan dalam pencetak) untuk kembar digital kilang holistik.
• Pembelajaran Anomali Sedikit Sampel/Tiada Sampel: Menyesuaikan model untuk mengenali jenis kecacatan baharu yang tidak pernah dilihat dengan contoh berlabel minimum, mungkin menggunakan teknik meta-pembelajaran.
• Penempatan Tepi: Mengoptimumkan CRRN untuk inferens masa nyata pada peranti tepi dalam barisan pengeluaran untuk membolehkan maklum balas dan kawalan serta-merta.
• Penjelasan Kontrafaktual Generatif: Menggunakan penyahkod untuk menjana versi normal "dibetulkan" bagi input anomali, memberikan operator gambaran visual yang jelas tentang bagaimana papan itu sepatutnya kelihatan.

7. Rujukan

1. Yoo, Y.-H., Kim, U.-H., & Kim, J.-H. (Tahun). Convolutional Recurrent Reconstructive Network for Spatiotemporal Anomaly Detection in Solder Paste Inspection. IEEE Transactions on Cybernetics.
2. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems.
3. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
4. Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
5. International Electronics Manufacturing Initiative (iNEMI) reports on SMT technology trends.

8. Analisis Pakar & Ulasan Kritikal