【摘 要】
：
由于人工智能技术以及深度学习的不断进步,目标检测有了更多的应用。因为在印刷电路板(Printed Circuit Board)的制作和运输保存过程中许多因素都可能会使电路板产生不同类型的瑕疵,这些瑕疵会影响到电子设备的性能。目前PCB瑕疵检测任务都是通过人工检验的方法去完成,但是人工瑕疵检测一直存在诸多弊端。因此我们尝试将基于机器学习的目标检测技术引入到印刷电路板瑕疵检测中。本文是把PCB瑕疵检测
论文部分内容阅读
由于人工智能技术以及深度学习的不断进步,目标检测有了更多的应用。因为在印刷电路板(Printed Circuit Board)的制作和运输保存过程中许多因素都可能会使电路板产生不同类型的瑕疵,这些瑕疵会影响到电子设备的性能。目前PCB瑕疵检测任务都是通过人工检验的方法去完成,但是人工瑕疵检测一直存在诸多弊端。因此我们尝试将基于机器学习的目标检测技术引入到印刷电路板瑕疵检测中。本文是把PCB瑕疵检测问题转化为目标分类问题,利用梯度直方图(Histogram of Gradient)特征作为分类特征并使
其他文献
基于深度神经网络的果实识别和分割是采摘机器人作业成功的关键步骤,但由于网络参数多、计算量大,导致训练时间长,当模型部署到采摘机器人上则存在运行速度慢,识别精度低等问题。针对这些问题,该研究提出了一种改进Mask R-CNN的温室环境下不同成熟度番茄果实分割方法,采用跨阶段局部网络(Cross Stage Partial Network,CSPNet)与Mask R-CNN网络中的残差网络(Resi
为了实现果园复杂环境下柿子和苹果绿色果实的精准分割,该研究提出了一种基于SOLO的绿色果实优化分割算法。首先,利用分离注意力网络(ResNeSt)设计SOLO算法的主干网络,用于提取绿色果实特征;其次,为更好地应对绿色果实特征的多尺度问题,引入特征金字塔网络(Feature Pyramid Networks,FPN),构造ResNeSt+FPN组合结构;最后,将SOLO算法分为类别预测和掩码生成2
精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题,该研究提出一种基于改进DenseNet的杂草识别模型。首先,在DenseNet-121网络的基础上,通过在每个卷积层后引入高效通道注意力(Efficient Channel Attention,ECA)机制,增加重要特征的权重,强化杂草特征并抑制背景特征;其次,通过DropBl
采摘点的识别与定位是智能采摘的关键技术,也是实现高效、适时、无损采摘的重要保证。针对复杂背景下番茄串采摘点识别定位问题,提出基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法。通过YOLOv4目标检测算法和番茄串与对应果梗的连通关系,快速识别番茄串和可采摘果梗的感兴趣区域(Region of Interest,ROI);融合RGB-D图像中的深度信息和颜色特征识别采摘点,通过深度分割算法、
手势识别作为当前人机交互的主要方式之一,提升手势识别的准确性和实时性对人机交互发展和便利人们生活具有重要意义。本文结合深度学习的应用基础和实际应用效果,在研究深度学习理论的基础上,提出了深度学习理论网络,分别针对静态手势识别和复杂环境下手势识别在深度学习理论下的最佳训练方法进行仿真,并得出CNN方法为深度学习的最佳学习和训练的选择。
在小鼠情绪分析实验中,实验者通常采用机器学习的方法预测小鼠关键部位的位置变化来判定小鼠是否处于恐惧情绪行为。为了进一步提高小鼠恐惧情绪识别和分析的准确率,本文构建了一种高效的轻量化U-Net语义分割模型,提出了根据视频中帧画面之间小鼠轮廓区域的变化幅度来量化分析小鼠恐惧情绪行为的方法。经实验验证,本文方法与专家统计结果的皮尔森相关性系数达到86%以上,证明了本文方法对于小鼠恐惧情绪行为的分析具有较
针对传统医学超声图像去噪方法的不足,本文提出了一种双路径卷积神经网络去噪方法。首先使用注意力机制网络来搭建噪声估计子网络用于训练噪声图像,然后将这个噪声图像与输入图像进行结合,送入一个类Unet网络并获得去噪后的图像。实验表明,在选取了最优网络结构后,该方法的去噪性能能够明显优于传统去噪方法,且相比于其他基于深度学习的去噪方法,该方法能在有效的去除超声图像斑点噪声的同时更好地保留了图像的细节信息。
The Tibetan Plateau is known as the "Asian water tower", and changes in its surface water distribution are important indicators of global climate change and the regional response to these changes. Dyn
提出了基于经典机器学习的、旨在利用计算机高效的识别图纸能力的、提高审图效率的施工图图像识别方法.首先,使用K均值(K-means)算法对墙柱施工图进行聚类,在聚类基础上搜索局部边界并划分字符;然后,使用k-邻近(k-nearest neighbor,kNN)算法对字符进行识别,得到墙柱施工图的墙柱名称和配筋信息.此外,提出了一种高效计算剪力墙施工图中墙柱面积的影射求和算法.分别任意取2张墙柱施工图
针对传统Vgg网络对煤矸石分类任务训练速度慢的问题,本文使用两种深度学习网络对煤矸石样本图像进行分类测试,并与Vgg网络进行性能对比,发现相比传统的Vgg深度学习网络,轻量化深度学习网络的模型训练速度明显加快,在保证分类精度基本不下降的前提下模型训练时间可减少75%。