基于深度学习的焊点缺陷及元器件检测方法的研究

发布时间：2023-03-12 21:22

　　电路板焊点缺陷检测和元器件检测对电子产品硬件生产质量至关重要。传统的自动光学检查设备对于每一款电路板都需要定制化注册并设计程序,步骤繁杂、耗时长,判断标准较为单一、呆板,检测的泛化能力差,在某些情况下容易误判,光照不佳、电路板颜色变化均会影响检测的精确率,对于多品种、小批量的生产场景而言性价比不高。近年来,随着计算资源的快速发展和硬件成本的降低,深度学习再次兴起,在目标检测、语音识别等研究领域展现了出色的性能,得到了广泛应用。因此,将深度学习方法引入电路板焊点缺陷及元器件检测研究具有极大的研究意义和工业应用价值。本文使用了两种经典的目标检测算法并提出了一种改进型算法,具体内容为:(1)采用经典的Faster R-CNN算法和YOLO V3算法对印制电路板装配成品(printed circuit board assembly,PCBA)进行焊点缺陷及元器件检测。两者均是端到端的目标检测算法。前者应用VGG16深度神经网络作为特征提取器,通过区域建议网络(region proposal network,RPN)实现候选框推荐,最后进行分类和定位,属于目标检测算法中的two-stage算法。...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 自动光学检查设备发展现状
        1.2.2 焊点缺陷及元器件检测的研究现状
    1.3 主要研究内容
    1.4 论文章节安排
第2章 自动光学检查设备
    2.1 自动光学检查设备概述
    2.2 AOI设备硬件组成
        2.2.1 视觉系统
        2.2.2 运动控制系统
        2.2.3 设备操作主控机
    2.3 AOI设备软件系统
    2.4 本章小结
第3章 图像数据预处理与数据集制作
    3.1 PCBA图像数据的采集
    3.2 PCBA图像滤波
        3.2.1 图像滤波概述
        3.2.2 高斯滤波
        3.2.3 均值滤波
        3.2.4 中值滤波
        3.2.5 三种滤波结果对比
    3.3 PCBA数据扩增
    3.4 PCBA数据集制作
    3.5 本章小结
第4章 基于深度学习的焊点缺陷及元器件检测算法
    4.1 基于深度学习的目标检测方法概述
    4.2 基于Faster R-CNN的焊点缺陷及元器件检测算法
        4.2.1 Faster R-CNN算法原理
        4.2.2 基于VGG-16的Faster R-CNN算法网络结构
        4.2.3 Faster R-CNN实验及结果分析
    4.3 基于YOLO的焊点缺陷及元器件检测算法
        4.3.1 YOLO算法原理
        4.3.2 YOLO算法网络结构
        4.3.3 YOLO V3实验结果及分析
    4.4 改进型Faster R-CNN算法
        4.4.1 改进型Faster R-CNN算法原理
        4.4.2 改进型Faster R-CNN算法实验结果及分析
    4.5 本章小结
第5章 总结和展望
    5.1 总结
    5.2 进一步的工作方向
致谢
参考文献
攻读学位期间的研究成果



本文编号：3761968