磁性材料是生產(chǎn)電子元器件的重要原材料之一,尤其在信息技術(shù)高速發(fā)展的二十一世紀(jì),國(guó)民生活、工業(yè)和軍事領(lǐng)域?qū)﹄娮釉O(shè)備的需求越來(lái)越大,所以對(duì)磁性元器件的需求量也隨之增加,例如電容、電感以及IC等,進(jìn)一步磁材料的外觀缺陷檢測(cè)市場(chǎng)需求隨著電子產(chǎn)品市場(chǎng)的增張而增長(zhǎng)。尤其在磁材料外觀缺陷檢測(cè)領(lǐng)域,傳統(tǒng)的檢測(cè)方法基本靠人肉眼識(shí)別,效率較低、成本較高,而且誤檢率高。近幾年也有開(kāi)始用機(jī)器視覺(jué)的方式進(jìn)行外觀檢測(cè),也逐步開(kāi)始滲透整個(gè)領(lǐng)域,但是機(jī)器視覺(jué)也有缺點(diǎn),使用場(chǎng)景單一、設(shè)備昂貴、算法設(shè)計(jì)有難度等等。本文針對(duì)以上在磁材料外觀缺陷檢測(cè)領(lǐng)域目前的存在的問(wèn)題,結(jié)合近年來(lái)深度學(xué)習(xí)相關(guān)發(fā)展成果,提出了基于深度學(xué)習(xí)的磁材料的外觀缺陷檢測(cè)的研究與應(yīng)用。重點(diǎn)是基于卷積神經(jīng)網(wǎng)絡(luò),尤其是目標(biāo)檢測(cè)中的YOLO(You Only Look Once)算法,在現(xiàn)有采集到的樣本數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)分析,實(shí)驗(yàn)結(jié)果證明了本文提出的方法的可行性。然后針對(duì)所采用的YOLO算法在本實(shí)驗(yàn)樣本數(shù)據(jù)上存在的問(wèn)題,又提出了兩個(gè)改進(jìn)點(diǎn)。第一個(gè)改進(jìn)點(diǎn)是在空間特征和通道特征上增加注意力模型,在基礎(chǔ)網(wǎng)絡(luò)中嵌入CBAM(Convolutional Block Atte...

【文章頁(yè)數(shù)】：99 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1目標(biāo)識(shí)別任務(wù)示意圖

第二章卷積神經(jīng)網(wǎng)絡(luò)CNN研究綜述第二章卷積神經(jīng)網(wǎng)絡(luò)CNN研究綜述2.1引言隨著機(jī)器學(xué)習(xí)的興起，使得計(jì)算機(jī)能夠模擬人腦的處理方式，具有一定的學(xué)習(xí)能力。TomMitchell在他的一本書[12]中做過(guò)如下定義，如果計(jì)算機(jī)能夠在經(jīng)驗(yàn)E不斷提高的條件下，使得其在任務(wù)T中的衡量性能的指標(biāo)P....

圖2-2帶有一層隱藏層的多層感知機(jī)

第二章卷積神經(jīng)網(wǎng)絡(luò)CNN研究綜述在當(dāng)年的ILSVRCb比賽中奪得冠軍。2015年，微軟亞洲研究院提出了跨層連接(skipconnections)的思想，并由此構(gòu)造出了殘差網(wǎng)絡(luò)ResNet[22]，其中由152個(gè)卷積層構(gòu)成的殘差網(wǎng)絡(luò)以3.6%的誤檢率獲得了2015年ILSVRC比賽....

圖2-3單個(gè)神經(jīng)元結(jié)構(gòu)示意圖

第二章卷積神經(jīng)網(wǎng)絡(luò)CNN研究綜述圖2-3單個(gè)神經(jīng)元結(jié)構(gòu)示意圖神經(jīng)單元的作用是通過(guò)一系列變換把輸入向量X轉(zhuǎn)換成輸出向量Hout,其中輸出向量Hout與輸入向量X的映射關(guān)系如下：Hin=∑=w1x1+w2x2+w3x3+...+b=n∑i=1wixi+bHout=σ(∑)=σ(n∑i....

圖2-4simmoid函數(shù)圖像

電子科技大學(xué)碩士學(xué)位論文圖2-4simmoid函數(shù)圖像可以看出當(dāng)輸入接近0時(shí)，sigmoid函數(shù)接近線性變換，根據(jù)求導(dǎo)鏈?zhǔn)椒▌t，sigmoid函數(shù)的導(dǎo)數(shù)為:sigmoid′(x)=sigmoid(x)(1sigmoid(x))(2-4)下面繪制simmoid函數(shù)的導(dǎo)數(shù)的圖像如圖2....

本文編號(hào)：3964012