重點整理：A VGG-16 Based Faster RCNN Model for PCB Error Inspection in Industrial AOI Applications

https://ieeexplore.ieee.org/document/8448674

現在對於pcb板的檢測，傳統上會使用AOI去進行檢測，雖然已經做到很高的準確率，但是卻非常容易誤判。

這句話聽起來有點怪，準確來說，應該是在他判斷有問題的東西中，其實還是有OK、質量通過的，不過被他判為瑕疵，傳統上，這部分的判斷會利用人工去判斷(傳統的工人智慧)，而現在我們可以利用人工智慧去處理，以此減少人力成本的輸出。

因為error有分許多種，這篇裡面分為bridge、empty、solder ball等等，所以這篇論文先利用VGG16提取特徵，再利用faster RCNN去進行處理。

這篇面對的問題在於，資料太少，所以也要設計data augmentation，以此增加資料的數量，避免資料過少，造成訓練結果不佳。

這是設計的結果，分別有調整bluish、dark、bright、yellowish，增加約20倍的資料量，這不僅可以增加資料量，也可以增加面對光線變化時所造成的誤差。

最終結果bridge、empty都達到0.9的AP value，但是其他的效果差，所以mAP只有0.6。

作者的結論說，這代表了deep learning model對AOI在PCB版的未來潛力。

我一開始認為mAP有點低，並不足以成為一項應用，可是相較於過去判斷的資料中，有約95%的都是誤判的，並且交由人工去判斷，這樣是有長足的進步。

我個人認為，可以嘗試更改提取特徵的VGG為其他模型，來看看其他提取特徵的model會不會有比較好的效果，或是整個改掉，直接用YOLO，畢竟YOLO比Faster RCNN更快。

但是YOLO對於細節的偵測有時候會不夠仔細，所以結合Faster RCNN跟YOLO才是現在對於PCB板的主要模型。

這篇僅僅只是重點筆記，更多細節請看原文

這篇我有所不了解的地方:

AP value、RCNN的架構細節，之後再發一篇Faster RCNN實作。