發(fā)布時間：2021-10-12 12:29

　　為了同時對多種焊點缺陷類型進行快速識別,解決現有焊接異常圖像識別算法誤檢率與漏檢率偏高的問題,設計了基于改進型卷積神經網絡的深度學習算法。利用自組織映射分類技術,提高了卷積神經網絡的數據選擇自適應性,結合自適應矩估計分析,約束了焊接異常圖像中特征集合的收斂條件。實驗中將5種常見焊接異常圖像以等比例隨機分布的形式放入訓練集、驗證集和測試集中,再分別用傳統(tǒng)識別算法（canny算法和k均值算法）和該算法進行測試。結果表明,對于橋連缺陷,3種方法均無誤檢、無漏檢;對于小球缺陷,3種方法均符合要求,而canny算法的檢出能力最優(yōu);對于偏球缺陷,3種算法的誤檢率分別是12.4%,7.3%和與1.4%,漏檢率分別是13.3%,6.5%和1.1%;對于虛焊和少錫缺陷,該算法相比傳統(tǒng)算法精度高約1個數量級。該算法在對多種焊點缺陷類型識別中具有明顯優(yōu)勢。 

【文章來源】：激光技術. 2020,44(06)北大核心CSCD

【文章頁數】：5 頁

【文章目錄】：
引 言
1 系統(tǒng)設計
2 數據預處理
    2.1 獲取灰度直方圖函數
    2.2 圖像增強
    2.3 濾波優(yōu)化
3 焊點異常識別算法設計
    3.1 深度學習算法構架
    3.2 改進型卷積神經網絡
    3.3 模型設計與實現
4 實 驗
    4.1 數據獲取
    4.2 焊接異常圖像對比
    4.3 測試集分析
5 結 論


【參考文獻】：
期刊論文
[1]基于多模型深度卷積網絡融合的人群計數算法[J]. 雷翰林,張寶華.  激光技術. 2019(04)
[2]基于變換矩陣的BGA X-ray圖像傾斜識別及校正方法[J]. 李井元,方黎勇,胡棟材,齊曉世.  強激光與粒子束. 2018(10)
[3]基于圖像處理的PCB板表面檢測分析研究[J]. 夏成蹊,楊晨,趙雪,丁召.  電視技術. 2018(08)
[4]手持式聲表面波射頻識別系統(tǒng)[J]. 彭福強,陳智軍,陳濤,李慶亮,賈浩.  壓電與聲光. 2018(03)
[5]加權聯(lián)合降維的深度特征提取與分類識別算法[J]. 馮瑋,王玉德,張磊.  激光技術. 2018(05)
[6]基于機器視覺的焊點檢測算法研究[J]. 劉美菊,李凌燕,郭文博.  電子器件. 2017(04)
[7]基于極限學習機的焊點質量檢測[J]. 馬立勇,袁統(tǒng)帥.  計算機工程與應用. 2018(12)
[8]基于深度學習的圖像超分辨率復原研究進展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動化學報. 2017(05)
[9]基于機器人視覺的銀網焊點定位技術研究[J]. 陳一嶠,胡國清,黃道權,李銳,賈明峰.  航空制造技術. 2017(09)
[10]基于機器視覺PCB焊點質量檢測研究[J]. 祝振敏,呂兆康,宋瑞超,李海文.  控制工程. 2017(04)



本文編號：3432582