基于残差神经网络的转子焊点图像检测方法

发布时间：2021-05-08 06:01

　　针对微型电机转子焊点检测费时费力且准确率低的问题,提出一种基于残差神经网络的转子焊点检测方法。首先运用网络预训练的方法加速网络训练,提高模型准确率;然后在网络中引入批量归一化,避免出现梯度消失;最后对图像进行数据增强,减少过拟合现象。实验表明,与K最近邻（KNN）等经典算法相比,该算法在测试集上的准确率达到91.5%,与工人检测的速度相比提高了3.5倍,具有很好的识别效果。 

【文章来源】：科学技术与工程. 2020,20(19)北大核心

【文章页数】：5 页

【文章目录】：
1 介绍残差神经网络
    1.1 残差神经网络
    1.2 模型结构
    1.3 模型预训练
    1.4 批量归一化
2 实验分析与结果
    2.1 数据准备
    2.2 实验对比与分析
3 结论


【参考文献】：
期刊论文
[1]MeanShift聚类圆拟合算法在焊点检测中的应用[J]. 谢达奇,梁桥康,孙炜,王耀南.  计算机仿真. 2019(09)
[2]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)
[3]改进LeNet-5网络在图像分类中的应用[J]. 刘金利,张培玲.  计算机工程与应用. 2019(15)
[4]预训练卷积神经网络模型微调的行人重识别[J]. 李锦明,曲毅,裴禹豪,扆泽江.  计算机工程与应用. 2018(20)
[5]PCB焊点表面三维质量检测方法[J]. 吴福培,郭家华,张宪民,李昇平,吴涛.  仪器仪表学报. 2018(05)
[6]基于机器视觉的焊点检测算法研究[J]. 刘美菊,李凌燕,郭文博.  电子器件. 2017(04)
[7]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛.  计算机应用研究. 2017(10)
[8]基于特征聚集度的FCM-RSVM算法及其在人工焊点缺陷识别中的应用[J]. 钱佳,罗晶波,李梦霄,万永菁.  华东理工大学学报(自然科学版). 2015(04)
[9]基于深度学习的车标识别方法研究[J]. 彭博,臧笛.  计算机科学. 2015(04)
[10]基于KNN的特征自适应加权自然图像分类研究[J]. 侯玉婷,彭进业,郝露微,王瑞.  计算机应用研究. 2014(03)



本文编号：3174811