焊接联合检查(SJI)是生产印刷电路板(PCB)的关键过程。在SJI期间发现焊料错误非常具有挑战性,因为焊接接头的尺寸很小,并且可能需要各种形状。在这项研究中,我们首先表明焊料的特征多样性低,并且可以作为精细颗粒的图像分类任务执行SJI,该任务侧重于难以固定的对象类。为了提高细粒度的分类精度,发现通过最大化熵来惩罚自信模型预测,在文献中很有用。与此信息内联,我们建议使用{\ alpha} -skew Jensen-Shannon Divergence({\ alpha} -js)来惩罚模型预测的信心。我们将{\ alpha} -js正则化与现有基于熵指定的方法和基于注意机制,分割技术,变压器模型和特定损耗函数的方法进行比较。我们表明,在细化的焊料联合分类任务中,所提出的方法可以达到不同模型的F1得分和竞争精度。最后,我们可视化激活图,并表明,凭借熵的规范化,更精确的类歧视区域是局部的,这也更适合噪声。接受代码将在这里接受。
translated by 谷歌翻译