-
公开(公告)号：CN113344041B
公开(公告)日：2022-12-23
申请号：CN202110552810.8
申请日：2021-05-20
Applicant: 上海大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进卷积神经网络的PCB缺陷图像识别方法。针对现有ResNet50深度卷积神经网络模型的不足，引入名为Res2Net的新型CNN模块，并更改残差连接结构和激活函数，来提高网络多层的非线性扩展能力。基于改进ResNet50模型，融入DenseNet169卷积神经网络，基于多模型提取的图像特征进行融合，并对融合特征输出网络结构进行改进，建立了一种多模型融合的PCB缺陷图像识别的卷积神经网络框架。本发明方法可对不同类型的PCB缺陷图像进行识别，较单一模型具有识别准确率、敏感性高的特点，并且能够实现PCB缺陷类别的自动化和智能化识别。
-
公开(公告)号：CN115409797A
公开(公告)日：2022-11-29
申请号：CN202211039779.9
申请日：2022-08-29
Applicant: 上海大学
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进深度学习算法的PCB缺陷图像检测方法。针对YOLOv3深度卷积神经网络模型对于正负样本不均衡、网络对PCB小缺陷的特征表达、图像重要特征信息提取等不足提出了改进，本发明提出了将FocalLoss函数代替原YOLOv3模型中的MSELoss函数的改进方式，以此来动态地控制正负样本和难易分类样本权重。同时本发明将SPP模块嵌入于支路小目标检测头、并且将CBAM模块并联融入YOLOv3模型，以使模型可以更多地关注图像中的缺陷信息，从而提升模型整体的特征提取能力。本发明方法可对不同类型的PCB缺陷图像进行检测，较原YOLOv3模型相比，敏感性等指标均有提升，在PCB缺陷检测任务中具有较好的性能，可以降低漏检率与误检率，更好地实现PCB缺陷的自动化和智能化检测。
-
公开(公告)号：CN113962933A
公开(公告)日：2022-01-21
申请号：CN202111078778.0
申请日：2021-09-15
Applicant: 上海大学
Abstract: 本发明公开一种基于改进YOLOv3网络的PCB缺陷图像检测方法。本发明方法针对YOLOv3模型对小目标缺陷检测效果差的问题进行改进，在原8倍下采样之后继续进行一次上采样，得到与4倍下采样同等大小的深层特征图，再进行特征融合，构成小目标检测头。为了进一步提高PCB缺陷检测效果，在保证小目标缺陷检测效果的同时，也对大目标缺陷检测具有泛化能力。因此，在增加小目标检测头的同时也保留大目标检测头，最终建立适合PCB缺陷图像检测的改进型YOLOv3模型。本方法可对不同形态的PCB缺陷图像进行检测，较原YOLOv3模型具有更低的漏检率与误检率，并且能实现PCB缺陷的自动化和智能化检测。
-
公开(公告)号：CN113344041A
公开(公告)日：2021-09-03
申请号：CN202110552810.8
申请日：2021-05-20
Applicant: 上海大学
Abstract: 本发明公开一种基于改进卷积神经网络的PCB缺陷图像识别方法。针对现有ResNet50深度卷积神经网络模型的不足，引入名为Res2Net的新型CNN模块，并更改残差连接结构和激活函数，来提高网络多层的非线性扩展能力。基于改进ResNet50模型，融入DenseNet169卷积神经网络，基于多模型提取的图像特征进行融合，并对融合特征输出网络结构进行改进，建立了一种多模型融合的PCB缺陷图像识别的卷积神经网络框架。本发明方法可对不同类型的PCB缺陷图像进行识别，较单一模型具有识别准确率、敏感性高的特点，并且能够实现PCB缺陷类别的自动化和智能化识别。
-
-
-
Search Results
4
records
(took 0.018 seconds)
