基于卷积神经网络的芯片外观缺陷识别研究

发布时间：2022-06-02 21:53

　　外观缺陷分类技术是压敏电阻质量检测的关键技术之一,能极大地提高产品质检的效率和精度。为了更加准确的识别压敏电阻主体和针脚的外观缺陷,本文提出了一种基于深度卷积神经网络（Convolutional Neural Networks,CNN）的外观缺陷分类方法。本文的主要研究内容为基于卷积神经网络的压敏电阻外观缺陷分类,围绕这个主题,提出了一种基于卷积神经网络的压敏电阻外观缺陷检测方法。该方法主要包括以下工作:首先根据压敏电阻的外观特征,基于AlexNet改进得到一种对压敏电阻外观细微缺陷敏感的卷积神经网络模型（命名为CNN4VDR）。该模型在AlexNet网络的基础上,结合全局平均池化（Global Average Pooling,GAP）层,用一个新的卷积层和一个全局平均池化层替代了原有的的3个全连接层,构造出一个具有6个卷积层、3个池化层和1个全局平均池化层的CNN4VDR模型。同时为了防止过拟合,提高训练的效率,对整个网络在结构上做正则化。然后,对采集的压敏电阻图像样本进行预处理和分割,制作压敏电阻外观缺陷六分类数据集;将这些具有类别标签的图像数据集输入到提出的CNN4VDR网络中进... 

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 选题背景和研究意义
    1.2 缺陷检测研究现状
    1.3 主要研究目标与研究内容概述
    1.4 论文的结构安排
第2章 相关方法
    2.1 神经网络
    2.2 反向传播算法
    2.3 卷积神经网络
        2.3.1 局部感受野
        2.3.2 权重和偏置共享
        2.3.3 降采样层
        2.3.4 损失函数
    2.4 Caffe平台
        2.4.1 Caffe的三级结构
        2.4.2 Caffe的网络配置
        2.4.3 Caffe的优点
    2.5 本章小结
第3章 CNN4VDR网络模型设计
    3.1 方法概述
    3.2 卷积神经网络模型设计
    3.3 评估指标
    3.4 本章小结
第4章 实验与分析
    4.1 数据集
        4.1.1 图像预处理
        4.1.2 数据集分割
        4.1.3 数据集扩增
    4.2 卷积神经网络模型训练
    4.3 实验结果及分析
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
个人简历、攻读硕士学位期间从事科学研究及发表论文情况


【参考文献】：
期刊论文
[1]基于深度神经网络的表面划痕识别方法[J]. 李文俊,陈斌,李建明,钱基德.  计算机应用. 2019(07)
[2]基于机器学习的灭弧栅片表面缺陷检测方法[J]. 郭良,舒亮,吴桂初.  机械工程与自动化. 2019(01)
[3]基于卷积神经网络的快速人脸检测算法[J]. 陈益民,白勇,黎传琛.  海南大学学报(自然科学版). 2018(04)
[4]一种基于FAsT-Match算法的多靶位定位方法[J]. 陈俊,郑洪源.  计算机科学. 2018(09)
[5]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫.  清华大学学报(自然科学版). 2018(04)
[6]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇.  计算机工程与设计. 2018(02)
[7]深度神经网络训练中梯度不稳定现象研究综述[J]. 陈建廷,向阳.  软件学报. 2018(07)
[8]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[9]MFSC系数特征局部有限权重共享CNN语音识别[J]. 黄玉蕾,罗晓霞,刘笃仁.  控制工程. 2017(07)
[10]基于深度学习的车牌相似字符识别[J]. 潘翔,王恒.  计算机科学. 2017(S1)

硕士论文
[1]一种新的基于无损失函数的深度卷积神经网络的图像特征提取方法[D]. 李子强.山东大学 2017



本文编号：3653155