基于卷积神经网络的电子元器件识别和定位

发布时间：2021-09-07 19:43

　　在电子元器件的生产、应用以及回收利用等方面,其分类和定位都是十分重要的基础工作。随着科学技术的进步,电子元器件种类日渐趋多,且朝着微小化、片式化的方向演变,人工目检和传统的图像分类、图像检测方法已经逐渐地不再适用于当下的环境。同时,为了解放人力,实现生产的自动化,而当下的研究热点卷积神经网络即可以满足这一要求也在图像特征学习领域表现出众,因此本文提出将电子元器件的识别和定位与卷积神经网络相结合。为了简单高效地对电子元器件进行识别分类,本文将电子元器件的分类和卷积神经网络相结合,提出了一种基于卷积神经网络的电子元器件的识别方法。与图像识别的传统算法相比,该方法只需对输入样本进行简单的预处理,就可以作为输入用于网络模型的训练,而且卷积结构能减少参数量级,减轻计算的复杂度。本文构建了一个用于训练和测试的样本集,最后样本分类的平均精准度达到了92.20%。通过该实验结果表明,即使没有对图像进行复杂的预处理,卷积神经网络模型也能自动进行特征提取,能对多种电子元器件进行分类处理,识别效果好且更简便,攻克了传统图像分类算法的许多缺点。而针对在一块电路板上多种电子元器件的定位问题,本文基于像素和基于提... 

【文章来源】：宁波大学浙江省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
引言
1 绪论
    1.1 选题背景及研究意义
    1.2 国内外研究现状分析
        1.2.1 卷积神经网络的研究现状
        1.2.2 语义分割研究现状
    1.3 本文研究内容及创新点
    1.4 本文结构安排
2 卷积神经网络及语义分割
    2.1 卷积神经网络
    2.2 语义分割
3 基于卷积神经网络的电子元器件分类研究
    3.1 线性整流函数
    3.2 局部响应归一化
    3.3 基于CNN的电子元器件分类
        3.3.1 卷积神经网络模型设计
        3.3.2 训练集和测试集的构建
        3.3.3 网络层参数设置及微调策略
    3.4 实验结果及分析
    3.5 本章小结
4 基于跨层式特征融合的语义分割算法
    4.1 上采样理论
    4.2 跳跃结构
    4.3 基于FCN的电路板元器件语义分割
        4.3.1 数据预处理
        4.3.2 预训练网络模型
        4.3.3 全卷积神经网络模型结构及训练策略
    4.4 实验结果及分析
        4.4.1 评价指标
        4.4.2 实验结果及分析
    4.5 本章小结
5 基于共享式特征融合的语义分割算法
    5.1 区域提议网络
    5.2 跨网络共享卷积特征
    5.3 基于Faster R-CNN的电路板元器件语义分割
        5.3.1 数据预处理
        5.3.2 损失函数
        5.3.3 网络训练及微调策略
    5.4 实验结果及分析
        5.4.1 评价指标
        5.4.2 实验结果及分析
    5.5 本章小结
6 总结与展望
    6.1 本文工作总结
    6.2 展望
参考文献
在学研究成果
致谢
Abstract of Thesis
论文摘要


【参考文献】：
期刊论文
[1]图像语义分割问题研究综述[J]. 肖朝霞,陈胜.  软件导刊. 2018(08)
[2]基于图像分层树的图像语义分割方法[J]. 曹攀,钱军浩,陈智,李肖赫.  计算机应用研究. 2018(08)
[3]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)
[4]基于深度学习框架Caffe的路面裂缝识别研究[J]. 李楠.  工程技术研究. 2017(03)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄.  软件学报. 2017(01)
[7]第6讲 深度卷积神经网络在图像分割中的应用[J]. 郑云飞,张雄伟,曹铁勇,王文.  军事通信技术. 2016(02)
[8]基于卷积神经网络的手势识别初探[J]. 蔡娟,蔡坚勇,廖晓东,黄海涛,丁侨俊.  计算机系统应用. 2015(04)
[9]基于卷积神经网络的木材缺陷识别[J]. 徐姗姗,刘应安,徐昇.  山东大学学报(工学版). 2013(02)
[10]基于可视色差与区域生长的彩色图像分割[J]. 于丽杰,李德胜,王跃宗.  微计算机信息. 2010(10)

硕士论文
[1]基于深度学习的葡萄叶片分割[D]. 赵兵.甘肃农业大学 2018
[2]基于深度卷积神经网络的图像语义分割[D]. 马骁.中国科学院大学(中国科学院光电技术研究所) 2018
[3]基于全卷积网络的图像语义分割算法研究[D]. 孙海川.哈尔滨工业大学 2018
[4]基于深度学习的细胞核图像分割方法研究[D]. 李刚森.哈尔滨工业大学 2018
[5]基于深度学习的昆虫图像识别研究[D]. 秦放.西南交通大学 2018
[6]农田场景下的图像语义分割方法研究[D]. 巩祎明.西北农林科技大学 2018
[7]基于深度神经网络的小目标语义分割算法研究[D]. 胡太.南京师范大学 2018
[8]基于卷积神经网络的道路场景感知算法研究[D]. 唐静.哈尔滨工业大学 2018
[9]基于卷积神经网络的遥感图像分类和分割方法研究[D]. 蒲勇飞.哈尔滨工业大学 2018
[10]基于全卷积神经网络的全向场景分割研究与算法实现[D]. 翁健.山东大学 2017



本文编号：3390141