基于神经网络的焊点缺陷检测算法研究

发布时间：2020-12-27 06:09

　　随着科学技术的不断进步,各类电子产品层出不穷,对电子产品的质量要求也越来越高。电子产品在焊接过程会出现各种缺陷(如漏焊、焊锡粘连等),因此,对焊点进行缺陷检测是必不可少的。传统的检测方法多是基于人工检测,效率低、准确性差,深度学习技术与机器视觉相结合进行缺陷检测的方法可以弥补这些缺点。本文基于卷积神经网络提出了一种焊点缺陷检测算法,该算法首先对缺陷部位进行粗定位,确定缺陷位置信息,然后对缺陷部位进行精准的语义分割。本文算法由特征提取网络、区域建议网络以及语义分割网络三个部分组成,算法的整体流程是先通过特征提取网络对图像进行特征提取,然后使用区域建议网络进行缺陷部位粗定位,得到缺陷部位的位置信息,将缺陷部位的位置信息传输到语义分割网络,对其进行精准的像素级分割。本文对焊点缺陷进行了定义,使用labelme工具对原始图像进行了标注,同时为了更好的对网络进行训练,使用数据集增强方法对数据集进行了扩充。本文针对算法运行速度进行了优化,使用通道分离卷积和单点卷积组合的方式替换了卷积计算过程、上采样操作和通道卷积组合方式替换了反卷积计算过程,在一定程度上降低了网络的计算量,缩减了网络的检测时间。本... 

【文章来源】：长春大学吉林省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

NEU数据库

4非缺陷），实现了比图像级别检测更好的准确精度。Pei-HungChen等人[28]验证了OverFeat在以图像为基础的缺陷检测方面的效果，提出了ASR（ApproximateSurfaceRoughness）方法用以辅助OverFeat特征进行表面缺陷检测，该方法在NEU（图1.1）数据库和MO（图1.2）数据库上分别取得了98.7%和60.3%的正确率。（a）氧化（b）斑块（c）裂纹（d）麻面（e）杂质（f）划痕图1.1NEU数据库（a）熔化（b）阴影（c）叠合（d）划痕（e）磨损图1.2MO数据库

7第2章神经网络基础理论介绍2.1卷积神经网络理论卷积神经网络[29]是CV（computervision）领域目前使用最普遍的一种，其成功之处在于处理图像的过程与人在认知图像的过程相吻合，即分层抽象。卷积神经网络的成功集中在四个核心思想：局部连接，权值共享，池化和使用多层[30]。卷积神经网络由许多不同功能的结构层所组成，这些结构层的数量、连接形式等决定了网络的功能和处理能力。用于处理不同任务的卷积神经网络一般具有不同的结构，如图像分类、目标检测以及语义分割，而一个网络的深度往往可以决定其对该种任务的处理能力。一般来说组成卷积神经网络的结构层有：输入层，卷积层，采样层，激活层，批标准化层，全连接层，输出层。2.1.1卷积神经网络的特点局部连接人工神经网络的设计原理是仿照生物神经元的连接结构进行设计，用以实现模拟人类观察和处理信息的过程。最开始的人工神经网络都是基于全连接的，如图2.1所示，这种网络结构存在一个致命的缺陷，即可扩展性差。基于全连接的神经网络在网络规模达到一定程度时，在需要对网络进行扩展时，其需要调整的参数个数是神经元数的平方，这是一个非常巨大的工作量。图2.1全连接示意图


本文编号：2941235