文献类型：期刊文章

作　　者：王永利[1] 曹江涛[1] 姬晓飞[2]

Wang Yongli;Cao Jiangtao;Ji Xiaofei(College of Information and Control Engineering,Liaoning Shihua University,Fushun113001,China;College of Automation,Shenyang Aerospace University,Shenyang110136,China)

机构地区：[1]辽宁石油化工大学信息与控制工程学院,抚顺113000 [2]沈阳航空航天大学自动化学院,沈阳110000

出　　处：《电子测量与仪器学报》

基　　金：辽宁省科学事业公益研究基金(2016002006);辽宁省自然科学基金(201602557);辽宁省教育厅科学研究服务地方项目(L201708)资助

年　　份：2019

卷　　号：31

期　　号：8

起止页码：78-84

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：现有的印刷电路板(PCB)缺陷检测与识别算法大多都采取传统的图像处理和识别过程:即缺陷检测,特征提取和缺陷识别。由于电路板的复杂性,传统方法对于种类较多的缺陷很难达到精确分类,提出一种基于深度学习的PCB缺陷识别算法。首先对参考图像与待测图像进行差分操作找出PCB缺陷区域,然后针对缺陷区域,设计了包括2个卷积层、2个下采样层和4个全连接层的卷积神经网络模型。将PCB缺陷图像批量归一化,选取ReLU作为激活函数,Maxpooling作为下采样方法,并使用Softmax回归分类器训练并优化卷积神经网络。该方法分别与目前生产线上常用的基于方向梯度直方图、尺度不变特征变换特征和支持向量机结合的识别方法进行了比对,实验结果表明,该方法的正确识别显著提高,对于10类PCB缺陷可以得到96.67%的识别准确率,具有较好的应用前景。

关 键 词：卷积神经网络 支持向量机 图像处理 深度学习  分类识别  

分 类 号：TP391.41] TN41[计算机类]