8、PCB缺陷分类中AI解释器方法的评估与选择

PCB缺陷分类中AI解释器方法的评估与选择

在PCB生产的自动光学检测（AOI）中，基于AI的CNN模型虽能进行缺陷分类，但模型的可解释性至关重要。本文将介绍几种Cam方法用于PCB缺陷分类的推理，并通过实验评估它们的性能。

1. 几种Cam解释器方法介绍

在解释CNN时，梯度可能存在不可靠的问题，如梯度消失或梯度噪声。因此，一些方法仅依赖特征图的重要性作为权重，但将所有特征图作为掩码应用于输入会很耗时。为解决这一问题，提出了Faster Score - Cam方法，它对几组特征图应用相同的过程。不过，将掩码外的区域设为零可能导致错误的解释。

随后，又提出了一些改进的方法：
- Group - Cam ：结合了使用梯度和在输入上应用掩码的优点。它通过对特征图进行分组以加快执行速度，并使用图像的高斯模糊代替零值来处理掩码外的区域，从而提高解释器的质量。
- SC - SM - Cam（Cluster - Cam） ：采用谱聚类算法对特征图进行分组。在得出解释后，它利用一种后处理技术（Self - matching Cam）来改善上采样过程中解释定位的下降问题。这里仅考虑其不包含后处理步骤的版本，即Cluster - Cam。

最终，选择了五种Cam方法用于PCB缺陷分类的推理，分别是Grad - Cam、Grad - Cam++、Faster Score - Cam、Group - Cam和Cluster - Cam。

2. 实验要求与指标

2.1 数据集和训练设置

由于隐私问题和真实世界数据的稀缺，