針對航天電子焊點缺陷采用人工檢測效率低下、準確率較差等問題,提出一種基于改進Tiny-YOLOv3網(wǎng)絡(luò)的焊點缺陷主動紅外檢測方法。通過引入MobileNet模型增強Tiny-YOLOv3的特征提取網(wǎng)絡(luò),提升模型高級語義特征提取能力,進而提高焊點紅外圖像缺陷檢測的速度和準確率。同時,搭建焊點紅外圖像拍攝平臺,構(gòu)建焊點缺陷樣本數(shù)據(jù)集,將改進后模型與YOLOv3、Tiny-YOLOv3模型進行對比。實驗結(jié)果表明,該改進模型單張圖片平均檢測時間為0.062 5 s,在保持了Tiny-YOLOv3網(wǎng)絡(luò)速度前提下,平均檢測精度均值較YOLOv3和改進前分別提升52.19%、22.62%,達到82%,同時,孔洞、凹陷、缺口3種缺陷間檢測精度差降至5%以內(nèi),充分展示了該方法在航天電子焊點缺陷檢測中的應(yīng)用前景。 

【文章來源】：儀器儀表學報. 2020,41(11)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1 YOLO神經(jīng)網(wǎng)絡(luò)模型
2 改進Tiny-YOLOv3模型
3 基于改進Tiny-YOLOv3模型的焊點紅外圖像缺陷檢測
    3.1 樣本數(shù)據(jù)集
    3.2 模型評估指標
    3.3 實驗結(jié)果與分析
4 結(jié) 論


【參考文獻】：
期刊論文
[1]基于深度學習的機器人最優(yōu)抓取姿態(tài)檢測方法[J]. 李秀智,李家豪,張祥銀,彭小彬.  儀器儀表學報. 2020(05)
[2]深度學習目標檢測方法綜述[J]. 趙永強,饒元,董世鵬,張君毅.  中國圖象圖形學報. 2020(04)
[3]基于改進型卷積網(wǎng)絡(luò)的汽車高度調(diào)節(jié)器缺陷檢測方法[J]. 鮑光海,林善銀,徐林森.  儀器儀表學報. 2020(02)
[4]基于多特征的SVM多分類PCB焊點缺陷檢測方法[J]. 陳壽宏,趙爽,馬峻,張雨璇,郭玲.  激光雜志. 2019(06)
[5]基于增強Tiny YOLOV3算法的車輛實時檢測與跟蹤[J]. 劉軍,后士浩,張凱,張睿,胡超超.  農(nóng)業(yè)工程學報. 2019(08)
[6]基于級聯(lián)式Faster RCNN的三維目標最優(yōu)抓取方法研究[J]. 陳丹,林清泉.  儀器儀表學報. 2019(04)
[7]航天用表面安裝元器件再流焊焊點可靠性分析[J]. 郭曉林,韓彬.  電源技術(shù). 2018(08)
[8]深度學習在目標視覺檢測中的應(yīng)用進展與展望[J]. 張慧,王坤峰,王飛躍.  自動化學報. 2017(08)
[9]航天電子產(chǎn)品焊點缺陷的熱仿真與試驗[J]. 劉守文,孔令超,黃小凱,林博穎.  焊接學報. 2016(07)
[10]多尺度區(qū)域生長與去粘連模型的乳腺細胞分割[J]. 王品,胡先玲,謝文賓,李勇明,劉書君.  儀器儀表學報. 2015(07)



本文編號：3175492