基于改进Tiny-YOLOv3网络的航天电子焊点缺陷主动红外检测研究

发布时间：2021-05-08 14:21

　　针对航天电子焊点缺陷采用人工检测效率低下、准确率较差等问题,提出一种基于改进Tiny-YOLOv3网络的焊点缺陷主动红外检测方法。通过引入MobileNet模型增强Tiny-YOLOv3的特征提取网络,提升模型高级语义特征提取能力,进而提高焊点红外图像缺陷检测的速度和准确率。同时,搭建焊点红外图像拍摄平台,构建焊点缺陷样本数据集,将改进后模型与YOLOv3、Tiny-YOLOv3模型进行对比。实验结果表明,该改进模型单张图片平均检测时间为0.062 5 s,在保持了Tiny-YOLOv3网络速度前提下,平均检测精度均值较YOLOv3和改进前分别提升52.19%、22.62%,达到82%,同时,孔洞、凹陷、缺口3种缺陷间检测精度差降至5%以内,充分展示了该方法在航天电子焊点缺陷检测中的应用前景。 

【文章来源】：仪器仪表学报. 2020,41(11)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
0 引 言
1 YOLO神经网络模型
2 改进Tiny-YOLOv3模型
3 基于改进Tiny-YOLOv3模型的焊点红外图像缺陷检测
    3.1 样本数据集
    3.2 模型评估指标
    3.3 实验结果与分析
4 结 论


【参考文献】：
期刊论文
[1]基于深度学习的机器人最优抓取姿态检测方法[J]. 李秀智,李家豪,张祥银,彭小彬.  仪器仪表学报. 2020(05)
[2]深度学习目标检测方法综述[J]. 赵永强,饶元,董世鹏,张君毅.  中国图象图形学报. 2020(04)
[3]基于改进型卷积网络的汽车高度调节器缺陷检测方法[J]. 鲍光海,林善银,徐林森.  仪器仪表学报. 2020(02)
[4]基于多特征的SVM多分类PCB焊点缺陷检测方法[J]. 陈寿宏,赵爽,马峻,张雨璇,郭玲.  激光杂志. 2019(06)
[5]基于增强Tiny YOLOV3算法的车辆实时检测与跟踪[J]. 刘军,后士浩,张凯,张睿,胡超超.  农业工程学报. 2019(08)
[6]基于级联式Faster RCNN的三维目标最优抓取方法研究[J]. 陈丹,林清泉.  仪器仪表学报. 2019(04)
[7]航天用表面安装元器件再流焊焊点可靠性分析[J]. 郭晓林,韩彬.  电源技术. 2018(08)
[8]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)
[9]航天电子产品焊点缺陷的热仿真与试验[J]. 刘守文,孔令超,黄小凯,林博颖.  焊接学报. 2016(07)
[10]多尺度区域生长与去粘连模型的乳腺细胞分割[J]. 王品,胡先玲,谢文宾,李勇明,刘书君.  仪器仪表学报. 2015(07)



本文编号：3175492