面向手机部件的目标区域检测算法的设计与实现
发布时间：2021-10-30 17:41
随着3C领域中通信行业迅速兴起,智能手机在人们的生活中越来越重要,手机厂商为了提高自己的产品竞争力,手机主板上的手机部件也越来越紧密,高精度的手机制造业也面临着更多的挑战。针对检测在手机主板上高精度的手机部件是否焊接在正确的区域内,以及相应区域位置上,焊接的部件种类是否正确,传统的检测方法已经不能满足要求。近年来,大规模GPU并行运算的发展使利用深度学习解决计算机视觉中的问题成为可能。利用计算机视觉技术检测手机部件所在位置是否符合工业要求,即可以避免传统接触式检测的碰撞和人工目检的主观性,又可以用较低的成本完成检测,并且利用计算机视觉技术检测,具有较高的鲁棒性和准确性,无需针对每次检测都重新编程。因此,利用计算机视觉实现手机部件的目标区域检测在手机生产过程中越来越重要。通过研究神经网络和近年提出的目标检测算法,本文提出了利用计算机视觉检测手机部件目标区域的算法。该算法根据SSD模型低层特征图语义信息不足,设计了新的融合结构,降低了参数量,丰富了特征图的边缘信息和语义信息。针对特征图多次反卷积会增加噪声信息,将SSD模型特征图划分三段做分段反卷积与浅层特征层融合。为加强模型对小目标的检测...
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构示意图
面向手机部件的目标区域检测算法的设计与实现103)PCA/白化：其主要目的是通过相关性函数，降低输入数据维度，去掉冗余维度，加快训练速度，减小模型的复杂度。如图2.3去相关与白化效果图。图2.2去均值与归一化效果图Figure2.2De-meanandnormalizedrenderings图2.3去相关与白化效果图Figure2.3De-correlationandwhiteningrenderings2.1.2卷积计算层这一层是卷积神经网络最重要的一层，卷积神经网络的名字也由此而来。卷积操作受到生物学中视觉结构的启发，在数学函数领域是一种积分运算，卷积运算的定义如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表滤波器，和分别为卷积核的长宽，代表图像中卷积核所对应的像素窗口。滤波器对图像进行滑动窗口操作，将窗口内的图像与滤波器相乘之后相加，
面向手机部件的目标区域检测算法的设计与实现103)PCA/白化：其主要目的是通过相关性函数，降低输入数据维度，去掉冗余维度，加快训练速度，减小模型的复杂度。如图2.3去相关与白化效果图。图2.2去均值与归一化效果图Figure2.2De-meanandnormalizedrenderings图2.3去相关与白化效果图Figure2.3De-correlationandwhiteningrenderings2.1.2卷积计算层这一层是卷积神经网络最重要的一层，卷积神经网络的名字也由此而来。卷积操作受到生物学中视觉结构的启发，在数学函数领域是一种积分运算，卷积运算的定义如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表滤波器，和分别为卷积核的长宽，代表图像中卷积核所对应的像素窗口。滤波器对图像进行滑动窗口操作，将窗口内的图像与滤波器相乘之后相加，
【参考文献】：
期刊论文
[1]深层卷积神经网络的目标检测算法综述[J]. 张泽苗,霍欢,赵逢禹. 小型微型计算机系统. 2019(09)
[2]基于深度学习的目标检测算法综述[J]. 吴雨露,张德贤. 信息与电脑(理论版). 2019(12)
[3]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[4]基于天文观测的相机标定及姿态测量技术研究[J]. 戴东凯,王省书,胡春生,焦宏伟. 光学学报. 2012(03)
[5]印刷电路板瑕疵检测与分类算法[J]. 陈晓辉,刘晓军. 华中科技大学学报(自然科学版). 2010(07)
[6]PCB测试方法综述[J]. 蔡希彪,赵悦,唐毅谦. 辽宁工学院学报. 2004(04)
[7]PCB瑕疵图象实时视觉检测方法的研究[J]. 刘尚军,程宪平. 计算机工程与应用. 2002(16)
硕士论文
[1]基于卷积神经网络的视觉定位系统的设计与实现[D]. 甘露.中国科学院大学(中国科学院沈阳计算技术研究所) 2019
[2]基于机器视觉的PCB元器件检测方法研究[D]. 王志国.中北大学 2019
[3]基于机器视觉的炉前PCB贴装器件缺陷检测[D]. 韩博轩.哈尔滨工业大学 2018
[4]手机电池的尺寸测量和外观缺陷检测[D]. 王盼.哈尔滨工业大学 2016
[5]基于双目立体视觉的物体深度信息提取系统研究[D]. 刘维.中南大学 2009
[6]基于图像处理与机器视觉的手机软板缺陷检测的研究[D]. 曹申.中南大学 2007
[7]PCB数字图像检测与识别研究[D]. 高湘玲.西南交通大学 2002
本文编号：3467147
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构示意图
面向手机部件的目标区域检测算法的设计与实现103)PCA/白化：其主要目的是通过相关性函数，降低输入数据维度，去掉冗余维度，加快训练速度，减小模型的复杂度。如图2.3去相关与白化效果图。图2.2去均值与归一化效果图Figure2.2De-meanandnormalizedrenderings图2.3去相关与白化效果图Figure2.3De-correlationandwhiteningrenderings2.1.2卷积计算层这一层是卷积神经网络最重要的一层，卷积神经网络的名字也由此而来。卷积操作受到生物学中视觉结构的启发，在数学函数领域是一种积分运算，卷积运算的定义如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表滤波器，和分别为卷积核的长宽，代表图像中卷积核所对应的像素窗口。滤波器对图像进行滑动窗口操作，将窗口内的图像与滤波器相乘之后相加，
面向手机部件的目标区域检测算法的设计与实现103)PCA/白化：其主要目的是通过相关性函数，降低输入数据维度，去掉冗余维度，加快训练速度，减小模型的复杂度。如图2.3去相关与白化效果图。图2.2去均值与归一化效果图Figure2.2De-meanandnormalizedrenderings图2.3去相关与白化效果图Figure2.3De-correlationandwhiteningrenderings2.1.2卷积计算层这一层是卷积神经网络最重要的一层，卷积神经网络的名字也由此而来。卷积操作受到生物学中视觉结构的启发，在数学函数领域是一种积分运算，卷积运算的定义如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表滤波器，和分别为卷积核的长宽，代表图像中卷积核所对应的像素窗口。滤波器对图像进行滑动窗口操作，将窗口内的图像与滤波器相乘之后相加，
【参考文献】：
期刊论文
[1]深层卷积神经网络的目标检测算法综述[J]. 张泽苗,霍欢,赵逢禹. 小型微型计算机系统. 2019(09)
[2]基于深度学习的目标检测算法综述[J]. 吴雨露,张德贤. 信息与电脑(理论版). 2019(12)
[3]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[4]基于天文观测的相机标定及姿态测量技术研究[J]. 戴东凯,王省书,胡春生,焦宏伟. 光学学报. 2012(03)
[5]印刷电路板瑕疵检测与分类算法[J]. 陈晓辉,刘晓军. 华中科技大学学报(自然科学版). 2010(07)
[6]PCB测试方法综述[J]. 蔡希彪,赵悦,唐毅谦. 辽宁工学院学报. 2004(04)
[7]PCB瑕疵图象实时视觉检测方法的研究[J]. 刘尚军,程宪平. 计算机工程与应用. 2002(16)
硕士论文
[1]基于卷积神经网络的视觉定位系统的设计与实现[D]. 甘露.中国科学院大学(中国科学院沈阳计算技术研究所) 2019
[2]基于机器视觉的PCB元器件检测方法研究[D]. 王志国.中北大学 2019
[3]基于机器视觉的炉前PCB贴装器件缺陷检测[D]. 韩博轩.哈尔滨工业大学 2018
[4]手机电池的尺寸测量和外观缺陷检测[D]. 王盼.哈尔滨工业大学 2016
[5]基于双目立体视觉的物体深度信息提取系统研究[D]. 刘维.中南大学 2009
[6]基于图像处理与机器视觉的手机软板缺陷检测的研究[D]. 曹申.中南大学 2007
[7]PCB数字图像检测与识别研究[D]. 高湘玲.西南交通大学 2002
本文编号：3467147
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3467147.html
