论文部分内容阅读
本文对基于深度学习的电路板元器件自动识别技术进行了深入的研究,用于对 PCB 生产中缺焊、错焊、错插和漏插缺陷进行检测。论文结合基于深度学习的电路板元器件自动识别技术设计与实现了一个 PCB 缺陷检测系统,该系统由图像拼接、元器件检测、文本识别以及缺陷分析四模块组成,能够检测出 PCB 生产中缺焊、错焊、错插和漏插缺陷,有效地提升了PCB生产的合格率。
为了实现快速检测PCB缺陷的目标,论文利用深度学习知识对PCB缺陷检测进行了深入研究,涉及了元器件检测和文本识别技术,其中元器件检测技术用于电路板图像上的元器件识别与定位,文本识别技术用于元器件上印刷文本的识别。论文针对电路板上的元器件检测问题,提出了一种基于轻量级网络的 PCB 元器件检测算法;针对元器件上的印刷文本识别问题,提出了一种轻量级的元器件上印刷文本识别算法。该系统有效地提高了元器件检测的速度,增加了文本识别的准确率以及大幅度地减少了整个模型的参数量。本文的主要研究内容如下:
(1)本文首先对近年来的 PCB 缺陷检测国内外研究现状进行了简要说明,并且分别对目标检测中具代表性的算法和文本识别中传统的算法以及基于深度学习的算法进行了分析探讨。
(2)本文提出了一种基于轻量级网络的 PCB 元器件检测算法。该算法首先通过修改后的PeleeNet 网络对输入的图片进行特征提取,然后利用区域候选网络(Region proposal network, RPN)获取建议框,并且采用Context-Aware ROI Pooling对建议框进行归一化,最后经过RCNN实现对目标的分类以及定位。
(3)本文提出了一种轻量级的元器件上印刷文本识别算法。该算法首先通过空间变换网络(Spatial transformer network, STN)对变形文本修正,然后利用修改的 PeleeNet网络提取文本的特征序列,再在循环网络层结合 Dense block 模块提取标签序列,最后通过注意力机制模型实现对标签的预测。
(4)本文在最后设计并实现了 PCB缺陷检测系统。该系统结合了上文提出的两种算法,实现了对工业 PCB 生产中缺焊、错焊、错插和漏插缺陷检测的功能。该系统主要包括图像拼接、元器件检测、文本识别以及缺陷分析四个功能模块。
为了实现快速检测PCB缺陷的目标,论文利用深度学习知识对PCB缺陷检测进行了深入研究,涉及了元器件检测和文本识别技术,其中元器件检测技术用于电路板图像上的元器件识别与定位,文本识别技术用于元器件上印刷文本的识别。论文针对电路板上的元器件检测问题,提出了一种基于轻量级网络的 PCB 元器件检测算法;针对元器件上的印刷文本识别问题,提出了一种轻量级的元器件上印刷文本识别算法。该系统有效地提高了元器件检测的速度,增加了文本识别的准确率以及大幅度地减少了整个模型的参数量。本文的主要研究内容如下:
(1)本文首先对近年来的 PCB 缺陷检测国内外研究现状进行了简要说明,并且分别对目标检测中具代表性的算法和文本识别中传统的算法以及基于深度学习的算法进行了分析探讨。
(2)本文提出了一种基于轻量级网络的 PCB 元器件检测算法。该算法首先通过修改后的PeleeNet 网络对输入的图片进行特征提取,然后利用区域候选网络(Region proposal network, RPN)获取建议框,并且采用Context-Aware ROI Pooling对建议框进行归一化,最后经过RCNN实现对目标的分类以及定位。
(3)本文提出了一种轻量级的元器件上印刷文本识别算法。该算法首先通过空间变换网络(Spatial transformer network, STN)对变形文本修正,然后利用修改的 PeleeNet网络提取文本的特征序列,再在循环网络层结合 Dense block 模块提取标签序列,最后通过注意力机制模型实现对标签的预测。
(4)本文在最后设计并实现了 PCB缺陷检测系统。该系统结合了上文提出的两种算法,实现了对工业 PCB 生产中缺焊、错焊、错插和漏插缺陷检测的功能。该系统主要包括图像拼接、元器件检测、文本识别以及缺陷分析四个功能模块。