基于深度学习的图像超分辨重建及其在PCB焊接质量检测的应用

发布时间：2025-02-08 20:53

　　在实际应用中,图像是最重要的信息载体之一。随着对图像质量的要求日益增加,获得质量更好的高分辨率图像日渐成为研究重点。改善硬件设备是提高图像分辨率最直接的方法,但这会引起成本增多、耗费巨大等问题,且某些场合即使改善设备也无法满足需求。因此,利用图像超分辨重建提高图像分辨率的方法成为有效的选择之一,它成本低廉、简洁方便、效果良好且适用范围广。本文主要研究基于深度学习的图像超分辨重建,研究了两种改进的图像超分辨重建方法,并将其应用在PCB焊接质量检测上。首先,针对目前图像超分辨重建方法训练速度慢,不能充分利用低分辨率输入图像信息的问题,本文研究了一种基于多频段卷积神经网络的图像超分辨重建方法。此方法采用残差学习思想,利用低分辨率输入图像,并结合低分辨率特征空间中的图像信息,经过不同的通路生成低、中、高频段信息,最后使用相同的重建层得到高分辨率图像。该方法不仅训练速度快,且能够充分利用图像信息,可重建出分辨率更高的图像。其次,虽然基于多频段卷积神经网络的图像超分辨重建方法训练速度快,重建效果好,但因为其结构简单,依然不能充分重建图像细节。针对这些问题,本文在其基础上研究了一种基于记忆迁移的多频段...

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图3.14不同转置卷积核大小MFSR网络的影响

图3.13MFSR网络训练迭代图卷积核大小对比实验4所示，为在Set5数据集上放大3倍时，转置卷积核大小证明，转置卷积核大小对网络的重建结果有一定的影响，小可改善重建效果。所以，本章在3.2.2节中使用调节转网络。5所示，为MFSR方法把图像放大3倍....

图3.16多频段卷积层卷积核数量对MFSR网络的影响

(a)(b)(a)转置卷积核9x933.93dB/0.8329(b)转置卷积核为7x733.84dB/0.8304(c)转置卷积核为1333.89dB/0.8318图3.15不同转置卷积核大小对比结果（PSNR/SSIM）部网络每层卷积核数量对比实验示，为在S....

图3.18高频段局部网络卷积层个数对MFSR网络的影响

西安电子科技大学硕士学位论文局部网络的卷积层个数对比实验所示，为在Set5数据集上放大3倍时，高频段局部网R网络的影响。实验证明，设置合理的卷积层数量对图对比，本章设置的3是最佳参数设置。所示，为MFSR方法60万次迭代时在高频段局部网络比图。由图可知，高频....

图3.20中频段局部网络卷积层个数对MFSR网络的影响

图3.20中频段局部网络卷积层个数对MFSR网络的影响(a)低频段卷积层个数为233.95dB/0.8903(b)低频段卷积层个数为133.89dB/0.8899图3.21低频段卷积层数不同设置的对比结果（PSNR/SSIM）结首先介绍了卷积神经网络最初在图像....

本文编号：4031972