文献类型：期刊文章

作　　者：朱红艳[1] 李泽平[1] 赵勇[1,2] 罗相好[1] 成先镜[1,3] 杨肖委[4]

ZHU Hong-yan;LI Ze-ping;ZHAO Yong;LUO Xiang-hao;CHENG Xian-jing;YANG Xiao-wei(College of Computer Science and Technology,Guizhou University,Guiyang 550025,China;School of Information Engineering,Peking University Shenzhen Graduate School,Shenzhen 518055,China;Qianbei Information Technology Research Institute,Zunyi Normal University,Zunyi 563099,China;School of Mechanical Engineering,Guizhou University,Guiyang 550025,China)

机构地区：[1]贵州大学计算机科学与技术学院,贵州贵阳550025 [2]北京大学深圳研究生院信息工程学院,广东深圳518055 [3]遵义师范学院黔北信息技术研究院,贵州遵义563099 [4]贵州大学机械工程学院,贵州贵阳550025

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金项目(61462014);贵州省教育厅青年科技人才成长基金项目(黔教合KY字[2017]251)。

年　　份：2022

卷　　号：43

期　　号：8

起止页码：2188-2196

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对目前PCB缺陷检测方法中存在缺陷较小不易识别、缺陷形状多样化导致识别率下降等问题,提出基于多尺度特征融合和可变形卷积的PCB缺陷检测算法(DCR-FRNet)。在Faster R-CNN算法的基础上进行优化改进,能够更好地适应同一缺陷不同尺度的缺陷目标。采用的多尺度融合的金字塔模型有效地提高模型的特征识别能力;引入的可变形卷积替代常规的卷积,通过卷积学习偏移量提高模型的特征提取能力。实验结果表明,在采集的缺陷数据集上,所提DCR-FRNet算法相对于基准网络能够更有效识别缺陷特征,检测精度达到了96.60%,F1分数提高了16.30%。

关 键 词：目标检测 深度学习  卷积神经网络  可变卷积  印刷电路板

分 类 号：TP391]