基于深度学习方法的PCB图像缺陷检测
发布时间：2021-05-19 13:08
缺陷检测在现代工业连续、大批量的自动化生产过程中扮演着越来越重要的角色。特别是在PCB的生产过程中,PCB表面所产生的膜腐蚀、膜氧化、孔异常、电线断裂、异物污染等缺陷不仅会影响到产品的功能以及产品的完整性,使用缺陷严重的PCB产品甚至会对用户的安全产生影响。因此,对PCB的表面的缺陷进行快速,实时的检测具有重要的意义。当前,在PCB表面缺陷的检测方法中,主要有机械检测、射线检测,人工检测等,在上面的几种检测方法中,人工检测是最传统,也是效率最低的检测方法,其检测的准确率很大因素上取决于工人的经验,所以检测的准确率很难达到生产标准;而机械检测通常是采用接触式检测,在检测时需要调整PCB的位置以及角度来进行检测,造成时间成本的增大;射线检测能够对产品的缺陷进行很好的分辨,但是由于其设备结构复杂,造价成本高,因此实际的生产过程中使用并不广泛。随着PCB制造行业的迅速发展,对PCB工艺设计、质量要求等越来越高,其表面所产生的缺陷类型越来越多,对于检测的精度要求也越来越高。现在常用检测方法已经无法保证批量化生产过程中对PCB的质量要求,也不能准确检测PCB表面的缺陷。基于深度学习方法的图像缺陷检...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 图像缺陷检测的国内外现状
1.2.1 深度学习的发展历程
1.2.2 图像识别的发展历程
1.3 目标检测发展历程
1.4 本文的主要贡献与创新
1.5 本论文的结构安排
第二章 相关基础理论知识与关键技术
2.1 DETECTRON2 平台
2.2 PYTHON语言
2.2.1 Python语言的概况及发展历程
2.2.2 Python软件包
2.3 神经网络
2.3.1 BP神经网络
2.3.2 卷积神经网络
2.4 目标检测算法
2.4.1 R-CNN算法
2.4.2 Fast R-CNN算法
2.4.3 Faster R-CNN算法
2.4.4 Mask R-CNN算法
2.5 PCB缺陷检测流程
2.6 本章小结
第三章 数据预处理
3.1 原始图片数据的分析与整理
3.2 训练集图像缺陷定位
3.3 对于模糊图片以及无缺陷图片处理
3.4 标注前后对比图
3.5 将数据集转为COCO数据集格式
3.6 本章小结
第四章 PCB图像目标缺陷检测
4.1 DETECTRON2 平台环境的搭建
4.2 算法框架设计
4.2.1 算法框架的选择
4.2.2 主干网络的选择
4.2.3 评判指标mAP的计算
4.3 PCB缺陷检测模型训练
4.3.1 注册COCO数据集
4.3.2 实验设计
4.3.3 实验结果
4.3.4 缺陷识别
4.4 PCB图像缺陷检测模型
4.5 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 未来工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于Web的Python编程环境分析[J]. 何红波. 计算机产品与流通. 2019(12)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬. 河北省科学院学报. 2019(03)
[5]基于pytorch二次关系拟合（回归）及其实现[J]. 邢立国,李文坚,刘玉坤. 电脑知识与技术. 2019(26)
[6]基于卷积神经网络的PCB缺陷检测与识别算法[J]. 王永利,曹江涛,姬晓飞. 电子测量与仪器学报. 2019(08)
[7]大数据背景下的深度学习技术应用探究[J]. 姚娜. 信息与电脑(理论版). 2019(07)
[8]深度强化学习理论及其应用综述[J]. 万里鹏,兰旭光,张翰博,郑南宁. 模式识别与人工智能. 2019(01)
[9]深度学习技术综述[J]. 周晟颐. 科技传播. 2018(20)
[10]中国内资PCB产业现状研究[J]. 杨宏强. 印制电路信息. 2018(05)
本文编号：3195821
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 图像缺陷检测的国内外现状
1.2.1 深度学习的发展历程
1.2.2 图像识别的发展历程
1.3 目标检测发展历程
1.4 本文的主要贡献与创新
1.5 本论文的结构安排
第二章 相关基础理论知识与关键技术
2.1 DETECTRON2 平台
2.2 PYTHON语言
2.2.1 Python语言的概况及发展历程
2.2.2 Python软件包
2.3 神经网络
2.3.1 BP神经网络
2.3.2 卷积神经网络
2.4 目标检测算法
2.4.1 R-CNN算法
2.4.2 Fast R-CNN算法
2.4.3 Faster R-CNN算法
2.4.4 Mask R-CNN算法
2.5 PCB缺陷检测流程
2.6 本章小结
第三章 数据预处理
3.1 原始图片数据的分析与整理
3.2 训练集图像缺陷定位
3.3 对于模糊图片以及无缺陷图片处理
3.4 标注前后对比图
3.5 将数据集转为COCO数据集格式
3.6 本章小结
第四章 PCB图像目标缺陷检测
4.1 DETECTRON2 平台环境的搭建
4.2 算法框架设计
4.2.1 算法框架的选择
4.2.2 主干网络的选择
4.2.3 评判指标mAP的计算
4.3 PCB缺陷检测模型训练
4.3.1 注册COCO数据集
4.3.2 实验设计
4.3.3 实验结果
4.3.4 缺陷识别
4.4 PCB图像缺陷检测模型
4.5 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 未来工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于Web的Python编程环境分析[J]. 何红波. 计算机产品与流通. 2019(12)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬. 河北省科学院学报. 2019(03)
[5]基于pytorch二次关系拟合（回归）及其实现[J]. 邢立国,李文坚,刘玉坤. 电脑知识与技术. 2019(26)
[6]基于卷积神经网络的PCB缺陷检测与识别算法[J]. 王永利,曹江涛,姬晓飞. 电子测量与仪器学报. 2019(08)
[7]大数据背景下的深度学习技术应用探究[J]. 姚娜. 信息与电脑(理论版). 2019(07)
[8]深度强化学习理论及其应用综述[J]. 万里鹏,兰旭光,张翰博,郑南宁. 模式识别与人工智能. 2019(01)
[9]深度学习技术综述[J]. 周晟颐. 科技传播. 2018(20)
[10]中国内资PCB产业现状研究[J]. 杨宏强. 印制电路信息. 2018(05)
本文编号：3195821
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3195821.html
