發(fā)布時間：2022-06-02 21:53

　　外觀缺陷分類技術(shù)是壓敏電阻質(zhì)量檢測的關(guān)鍵技術(shù)之一,能極大地提高產(chǎn)品質(zhì)檢的效率和精度。為了更加準確的識別壓敏電阻主體和針腳的外觀缺陷,本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks,CNN）的外觀缺陷分類方法。本文的主要研究內(nèi)容為基于卷積神經(jīng)網(wǎng)絡的壓敏電阻外觀缺陷分類,圍繞這個主題,提出了一種基于卷積神經(jīng)網(wǎng)絡的壓敏電阻外觀缺陷檢測方法。該方法主要包括以下工作:首先根據(jù)壓敏電阻的外觀特征,基于AlexNet改進得到一種對壓敏電阻外觀細微缺陷敏感的卷積神經(jīng)網(wǎng)絡模型（命名為CNN4VDR）。該模型在AlexNet網(wǎng)絡的基礎上,結(jié)合全局平均池化（Global Average Pooling,GAP）層,用一個新的卷積層和一個全局平均池化層替代了原有的的3個全連接層,構(gòu)造出一個具有6個卷積層、3個池化層和1個全局平均池化層的CNN4VDR模型。同時為了防止過擬合,提高訓練的效率,對整個網(wǎng)絡在結(jié)構(gòu)上做正則化。然后,對采集的壓敏電阻圖像樣本進行預處理和分割,制作壓敏電阻外觀缺陷六分類數(shù)據(jù)集;將這些具有類別標簽的圖像數(shù)據(jù)集輸入到提出的CNN4VDR網(wǎng)絡中進... 

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景和研究意義
    1.2 缺陷檢測研究現(xiàn)狀
    1.3 主要研究目標與研究內(nèi)容概述
    1.4 論文的結(jié)構(gòu)安排
第2章 相關(guān)方法
    2.1 神經(jīng)網(wǎng)絡
    2.2 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡
        2.3.1 局部感受野
        2.3.2 權(quán)重和偏置共享
        2.3.3 降采樣層
        2.3.4 損失函數(shù)
    2.4 Caffe平臺
        2.4.1 Caffe的三級結(jié)構(gòu)
        2.4.2 Caffe的網(wǎng)絡配置
        2.4.3 Caffe的優(yōu)點
    2.5 本章小結(jié)
第3章 CNN4VDR網(wǎng)絡模型設計
    3.1 方法概述
    3.2 卷積神經(jīng)網(wǎng)絡模型設計
    3.3 評估指標
    3.4 本章小結(jié)
第4章 實驗與分析
    4.1 數(shù)據(jù)集
        4.1.1 圖像預處理
        4.1.2 數(shù)據(jù)集分割
        4.1.3 數(shù)據(jù)集擴增
    4.2 卷積神經(jīng)網(wǎng)絡模型訓練
    4.3 實驗結(jié)果及分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
個人簡歷、攻讀碩士學位期間從事科學研究及發(fā)表論文情況


【參考文獻】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡的表面劃痕識別方法[J]. 李文俊,陳斌,李建明,錢基德.  計算機應用. 2019(07)
[2]基于機器學習的滅弧柵片表面缺陷檢測方法[J]. 郭良,舒亮,吳桂初.  機械工程與自動化. 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡的快速人臉檢測算法[J]. 陳益民,白勇,黎傳琛.  海南大學學報(自然科學版). 2018(04)
[4]一種基于FAsT-Match算法的多靶位定位方法[J]. 陳俊,鄭洪源.  計算機科學. 2018(09)
[5]基于深度學習的自動駕駛技術(shù)綜述[J]. 張新鈺,高洪波,趙建輝,周沫.  清華大學學報(自然科學版). 2018(04)
[6]基于卷積神經(jīng)網(wǎng)絡的隨機梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計算機工程與設計. 2018(02)
[7]深度神經(jīng)網(wǎng)絡訓練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽.  軟件學報. 2018(07)
[8]深度卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領(lǐng)域的應用[J]. 張順,龔怡宏,王進軍.  計算機學報. 2019(03)
[9]MFSC系數(shù)特征局部有限權(quán)重共享CNN語音識別[J]. 黃玉蕾,羅曉霞,劉篤仁.  控制工程. 2017(07)
[10]基于深度學習的車牌相似字符識別[J]. 潘翔,王恒.  計算機科學. 2017(S1)

碩士論文
[1]一種新的基于無損失函數(shù)的深度卷積神經(jīng)網(wǎng)絡的圖像特征提取方法[D]. 李子強.山東大學 2017



本文編號：3653155