基于卷积神经网络的宇航电源光学检测技术

发布时间：2021-09-01 18:00

　　传统自动光学检测（AOI）方法难以适应宇航电源生产线多品种、小批量的特点,具有识别率低、操作复杂等问题。利用卷积神经网络（CNN）学习速度快、特征提取效果好的优势,提出了一种能够对宇航电源产品质量进行可靠检验的光学检测技术。通过对历史生产数据的精细化筛选构建了训练样本库,并设计了宇航电源产品光学检验专用卷积神经网络;将Canny算子边缘检测与CNN图像识别相结合,实现了印制板装配图信息的自动读取。与传统AOI检测方法相比,该方法缺陷识别率高达99%,且检验过程简单,提高了宇航电源产品光学检验工作效率,已应用于宇航电源生产线。 

【文章来源】：测控技术. 2020,39(03)

【文章页数】：5 页

【部分图文】：

输出检验结果

基于卷积神经网络的宇航电源产品光学检测算法架构如图1所示。为避免复杂编程操作，检测算法以图像作为输入自动完成测试准备工作;检测过程可分为图像预处理与损伤类型诊断两个环节，其中预处理环节自动读取装配图信息，可代替传统设备的坐标输入及测试编程;损伤类型诊断环节使用卷积神经网络对元件子图逐一筛查，判定相应元件是否满足设计、工艺要求;最后，根据用户需要以图像的形式输出光学检测结果。2 基于Canny算子的检测图像预处理

针对宇航电源产品光学检验问题，采用图2所示的卷积神经网络结构进行元件图像与字符辨识。该网络由5层卷积层、池化层完成元件图像的特征提取，由3层全连接层完成特征辨识与归类，最后利用Softmax函数进行输出处理:3.2 训练数据集构建

【参考文献】：
期刊论文
[1]基于改进BP神经网络的夜间车牌识别算法研究[J]. 张培玲,毕东生,资丽.  测控技术. 2018(08)
[2]基于卷积神经网络的监控场景下车辆颜色识别[J]. 张强,李嘉锋,卓力.  测控技术. 2017(10)
[3]AOI技术在PCB缺陷检测中的设计与实现[J]. 郭民,王蕊.  测控技术. 2016(12)
[4]卫星载荷二次电源用MOSFET的抗辐射设计及验证[J]. 任飞,纪志坡,张国帅,万成安.  航天器环境工程. 2016(05)
[5]AOI技术在LTCC制程中的应用研究[J]. 吴申立,王正义.  电子元件与材料. 2014(08)
[6]基于优化K-D树的大面积高密度PCB快速AOI[J]. 蒲亮,叶玉堂,宋昀岑,刘莉,陈东明,潘明.  仪器仪表学报. 2011(04)
[7]基于模式匹配及其参数自适应的PCB焊点检测[J]. 吴福培,邝泳聪,张宪民,欧阳高飞.  光学精密工程. 2009(10)
[8]AOI在PCB检测过程中的有效应用方案[J]. 吴迎新.  印制电路信息. 2009(S1)
[9]论AOI检测设备的选型[J]. 吴红.  电子工艺技术. 2008(05)
[10]SMT产品质量AOI快速检测方案[J]. 罗兵,章云.  电子质量. 2007(02)

博士论文
[1]PCB自动光学检测系统基础算法研究[D]. 宋昀岑.电子科技大学 2014



本文编号：3377432