论文部分内容阅读
在表面安装技术(Surface-Mount Technology，SMT)工艺流程中有一种效率低下但极其重要的的自检防错机制，该机制需要检测人员以印刷电路板(Printed Circuit Board，PCB)的位号图为基准对生产的首个产品样板进行检测，重点是元器件的极性方向。在实际检测过程中，工作人员仅能在元器件数量较少的情况下进行有效检测。为了使检测人员能对产品样板实现更高效的检测，本文提出了一种基于深度学习理论的极性器件智能识别方法。
首先对原始PCB工程位号图进行预处理，构建了PCB位号图数据集Bitmap_dataset并通过二维旋转的方式进行了数据增强。通过分析对比FasterR-CNN、SSD、YOLOv3这三种在工程应用中经常使用的经典目标检测算法，并在本文首次构建的数据集Bitmap_dataset上进行三种算法的性能对比实验，最终选用YOLOv3作为本次实际应用的基础算法并进行实际应用研究。为提高网络模型在位号图中检测极小元器件的能力，主要对原有YOLOv3网络做了两点改进，一是使用特征融合方法将网络深层的细粒度特征与浅层提取到的位置特征进行融合，二是通过使用K-means算法聚类分析本文数据集，选定了适合本数据集的锚框数量及尺寸大小，增加了模型收敛速度。本文对训练图像的输入分辨率进行了调整，优化了网络超参数，并得到用于极性器件检测的最佳网络模型。
最终改进的网络模型在验证集上得到的AP值达到97.5%，进行多张实际工程位号图的测试的平均极性器件检出率可达95.13%，在此基础上，本文通过使用HTML、Javascripts以及Flask框架搭建了极性器件的智能在线检测系统，将实现的智能检测算法部署在该系统上，为生产人员提供了在线检测位号图中极性器件的平台，提高了SMT流程中自检防错机制的执行效率。
首先对原始PCB工程位号图进行预处理，构建了PCB位号图数据集Bitmap_dataset并通过二维旋转的方式进行了数据增强。通过分析对比FasterR-CNN、SSD、YOLOv3这三种在工程应用中经常使用的经典目标检测算法，并在本文首次构建的数据集Bitmap_dataset上进行三种算法的性能对比实验，最终选用YOLOv3作为本次实际应用的基础算法并进行实际应用研究。为提高网络模型在位号图中检测极小元器件的能力，主要对原有YOLOv3网络做了两点改进，一是使用特征融合方法将网络深层的细粒度特征与浅层提取到的位置特征进行融合，二是通过使用K-means算法聚类分析本文数据集，选定了适合本数据集的锚框数量及尺寸大小，增加了模型收敛速度。本文对训练图像的输入分辨率进行了调整，优化了网络超参数，并得到用于极性器件检测的最佳网络模型。
最终改进的网络模型在验证集上得到的AP值达到97.5%，进行多张实际工程位号图的测试的平均极性器件检出率可达95.13%，在此基础上，本文通过使用HTML、Javascripts以及Flask框架搭建了极性器件的智能在线检测系统，将实现的智能检测算法部署在该系统上，为生产人员提供了在线检测位号图中极性器件的平台，提高了SMT流程中自检防错机制的执行效率。