Обнаружение аномалий на печатных платах с помощью β-вариационного автоэнкодера
https://doi.org/10.15514/ISPRAS-2025-37(6)-50
Аннотация
В условиях промышленного производства сбор репрезентативных данных о дефектах печатных плат затруднён, что делает методы контролируемого обучения малоприменимыми. В данной работе исследуется альтернативный подход – одноклассовое обнаружение аномалий на основе β-вариационного автоэнкодера (β-VAE), при котором модель обучается исключительно на изображениях бездефектных плат. Основной фокус работы – анализ влияния неоднородности данных на качество детекции. Эксперименты на наборе данных с четырьмя типами печатных плат показали, что обучение отдельной модели для каждого типа платы позволяет достичь высокого качества (ROC-AUC до 0.98). В то же время, попытка создать универсальную модель для всех типов плат приводит к резкому падению эффективности (ROC-AUC < 0.69), что свидетельствует о критическом влиянии вариативности топологии. Визуализация латентного пространства с помощью t-SNE подтверждает, что оптимальный параметр β способствует лучшему разделению нормальных и аномальных образцов. Наибольшую практическую ценность демонстрирует специализированная свёрточная архитектура
β-CVAE, показавшая конкурентные результаты при значительно меньших вычислительных затратах по сравнению с современными методами.
Ключевые слова
одноклассовое обучение,
обнаружение аномалий,
вариационный автоэнкодер
(β-VAE),
автоматическая оптическая инспекция,
печатные платы,
глубокое обучение,
неоднородность данных.
При поддержке: Работа выполнена на базе ФГБОУ ВО Марийского государственного университета в сотрудничестве с ведущим предприятием по производству печатных плат «ТЕХНОТЕХ» в городе Йошкар-Ола.
Об авторах
Татьяна Сергеевна ХОДАТАЕВА
Марийский государственный университет
Россия
Россия
Программист научно-исследовательской лаборатории разработки, проектирования и технической инспекции печатных плат. Сфера научных интересов: распознавание образов, глубокое обучение, нейронные сети.
Леонид Евгеньевич КАРПОВ
Институт системного программирования им. В.П. Иванникова РАН (ИСП РАН),
Московский государственный университет имени М.В. Ломоносова
Россия
Россия
Доктор технических наук, главный научный сотрудник ИСП РАН, доцент кафедры системного программирования факультета ВМК. Научные интересы: системное программирование, методы компиляции, системы программирования, нейронные сети.
Список литературы
1. Ebayyeh, A., et al. A Review and Analysis of Automatic Optical Inspection and Quality Monitoring Methods in Electronics Industry //IEEE Access. 2020. Vol. 8. P. 183192-183271. DOI: 10.1109/ACCESS.2020.3029127.
2. Adibhatla, V. A., et al. Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks // Electronics. 2020. Vol. 9, No. 9. Art. No. 1547. DOI: 10.3390/electronics9091547.
3. Raihan, F. and Ce, W. PCB defect detection using opencv with image subtraction method // International Conference on Information Management and Technology (ICIMTech). 2017. P. 204-209. DOI: 10.1109/ICIMTech.2017.8273538.
4. Liao, X., et al. Yolov4-mn3 for pcb surface defect detection // Applied Sciences. 2021. Vol. 11, No. 24. P. 11701. DOI: 10.3390/app112411701.
5. Du, B., et al. YOLO-MBBi: PCB Surface Defect Detection Method Based on Enhanced YOLOv5 // Electronics. 2023. Vol. 12, No. 13. P. 2821. DOI: 10.3390/electronics12132821.
6. Jiang, Y., et al. Lightweight Network DCR-YOLO for Surface Defect Detection on Printed Circuit Boards // Sensors. 2023. Vol. 23, No. 17. P. 7310. DOI: 10.3390/s23177310.
7. Pan, Y., et al. Rapid Detection of PCB Defects Based on YOLOx-Plus and FPGA // IEEE Access. 2024. Vol. 12. P. 61343-61358. DOI: 10.1109/ACCESS.2024.3387947.
8. Bergmann, P., et al. MVTec AD – A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. P. 9584-9592. DOI: 10.1109/CVPR.2019.00982.
9. Cohen, N., et al. Sub-Image Anomaly Detection with Deep Pyramid Correspondences. [Электронный ресурс] // arXiv preprint. 2020. URL: https://arxiv.org/abs/2005.02357 (дата обращения: 15.09.2025).
10. Shi, W., et al. Adversarial Semi-Supervised Learning Method for Printed Circuit Board Unknown Defect Detection // The Journal of Engineering. 2020. Vol. 2020, No. 13. P. 505–510. DOI: 10.1049/joe.2020.0085.
11. Kim, J., et al. Printed Circuit Board Defect Detection Using Deep Learning via A Skip-Connected Convolutional Autoencoder // Sensors. 2021. Vol. 21, No. 15. Art. No. 4968. DOI: 10.3390/s21154968.
12. Adibhatla, V. A., et al. Unsupervised Anomaly Detection in Printed Circuit Boards through Student-Teacher Feature Pyramid Matching // Electronics. 2021. Vol. 10, No. 24. Art. No. 3177. DOI: 10.3390/electronics10243177.
13. Ulger, F., et al. Anomaly Detection for Solder Joints Using β-VAE // IEEE Transactions on Components, Packaging and Manufacturing Technology, 2021. Vol. 11, No. 5. P. 800–810.
14. Kingma, D. P., et al. Auto-Encoding Variational Bayes [Электронный ресурс] // arXiv preprint. 2013. URL: https://arxiv.org/abs/1312.6114 (дата обращения: 15.09.2025).
15. Blei D. M., et al. Variational Inference: A Review for Statisticians // Journal of the American Statistical Association. 2017. Vol. 112. No. 518. P. 859-877. DOI: 10.1080/01621459.2017.1285773.
16. Wang, G., et al. Student-Teacher Feature Pyramid Matching for Unsupervised Anomaly Detection [Электронный ресурс] // arXiv preprint. 2021. URL: https://arxiv.org/abs/2103.04257 (дата обращения: 15.08.2025).
17. Venkataramanan, S., et al. Attention guided anomaly localization in images // Proceedings of the European Conference on Computer Vision. 2020. P. 485–503.
18. Sato, K., et al. Predictable uncertainty-aware unsupervised deep anomaly segmentation // International Joint Conference on Neural Networks. 2019. P. 1–7.
19. Akcay, S., et al. Ganomaly: Semi-supervised anomaly detection via adversarial training // Proceedings of the Asian Conference on Computer Vision. 2018. P. 622–637.
20. Roth, K., et al. Towards Total Recall in Industrial Anomaly Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022. P. 14318–14328. DOI: 10.1109/CVPR52688.2022.01394.
21. Defard, T., et al. Padim: A Patch Distribution Modeling Framework for Anomaly Detection and Localization // Pattern Recognition and Computer Vision (PRCV). 2021. Lecture Notes in Computer Science, vol. 13020. P. 475–489. DOI: 10.1007/978-3-030-88007-1_36.
22. Doersch, C. Tutorial on variational autoencoders [Электронный ресурс] // arXiv preprint. 2016. URL: https://arxiv.org/abs/1606.05908 (дата обращения: 15.08.2025).
23. Bergmann, P., et al. The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection // International Journal of Computer Vision. 2021. Vol. 129. P. 1038–1059. DOI: 10.1007/s11263-020-01400-4.
24. Yu, J., et al. FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows [Электронный ресурс] // arXiv preprint. 2021. URL: https://arxiv.org/abs/2111.07677 (дата обращения: 17.10.2025).
25. Chiu, L., et al. Self-Supervised Normalizing Flows for Image Anomaly Detection and Localization. // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2023. P. 2927-2936, DOI: 10.1109/CVPRW59228.2023.00294.
26. Liao, L., et al. GCAFlow: Multi-Scale Flow-Based Model with Global Context-Aware Channel Attention for Industrial Anomaly Detection // Sensors. 2025. Vol. 25, P. 3205. DOI:10.3390/s25103205.
27. Yin, S., et al. Contrastive Learning with Global and Local Representation for Mixed-Type Wafer Defect Recognition // Sensors. 2025. Vol. 25, No. 4. P. 1272. DOI:10.3390/s25041272.
28. Hua, L., et al. MedicalCLIP: Anomaly-Detection Domain Generalization with Asymmetric Constraints. Biomolecules. 2024. Vol. 14, No. 5. P. 590. DOI: 10.3390/biom14050590. PMID: 38785997; PMCID: PMC11117918.
29. Heo, J., et al. Multi-class Image Anomaly Detection for Practical Applications: Requirements and Robust Solutions [Электронный ресурс] // arXiv preprint. 2025. URL: https://arxiv.org/abs/2508.02477 (дата обращения: 15.09.2025).
30. Higgins, I., et al. beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework // Proceedings of the 5th International Conference on Learning Representations. 2017.
31. Fawcett, T. An Introduction to ROC Analysis // Pattern Recognition Letters. 2006. Vol. 27, No. 8. P. 861–874. DOI: 10.1016/j.patrec.2005.10.010.
32. Bradley, A. P. The use of the area under the ROC curve in the evaluation of machine learning algorithms // Pattern Recognition. 1997. Vol. 30, No. 7. P. 1145–1159.
33. Liu, T. Y. Learning to Rank for Information Retrieval // Foundations and Trends in Information Retrieval. 2009. Vol. 3, No. 3. P. 225–331. DOI: 10.1561/1500000016.
34. Saito, T., et al. The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets // PLOS ONE. 2015. Vol. 10, No. 3. P. e0118432. DOI: 10.1371/journal.pone.0118432.
35. Van der Maaten, L. J. P. et al. Visualizing High-Dimensional Data Using t-SNE // Journal of Machine Learning Research. 2008. Vol. 9. P. 2579-2605.
36. Khodataeva T. S. Automation of visual inspection of printed circuit boards // Proceedings of the 34th International Conference GraphiCon’2024. Omsk. 2024. P. 451–465. DOI: 10.25206/978-5-8149-3873-2-2024-451-465.
37. Zhang J., et al. EfficientAd: Accurate Visual Anomaly Detection at Millisecond-Level Latencies // Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2023. P. 128-138.
38. Vaswani, A., et al. Attention is All You Need [Электронный ресурс] // arXiv preprint. 2017. URL: https://arxiv.org/abs/1706.03762 (дата обращения: 15.09.2025).
Рецензия
Для цитирования:
ХОДАТАЕВА Т.С., КАРПОВ Л.Е. Обнаружение аномалий на печатных платах с помощью β-вариационного автоэнкодера. Труды Института системного программирования РАН. 2025;37(6):61-72. https://doi.org/10.15514/ISPRAS-2025-37(6)-50
For citation:
KHODATAEVA T.S., KARPOV L.E. Anomaly Detection on Printed Circuit Boards using a β-Variational Autoencoder. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2025;37(6):61-72. (In Russ.) https://doi.org/10.15514/ISPRAS-2025-37(6)-50
Послать статью по эл. почте 