發(fā)布時(shí)間：2021-10-12 12:29

　　為了同時(shí)對多種焊點(diǎn)缺陷類型進(jìn)行快速識別,解決現(xiàn)有焊接異常圖像識別算法誤檢率與漏檢率偏高的問題,設(shè)計(jì)了基于改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法。利用自組織映射分類技術(shù),提高了卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)選擇自適應(yīng)性,結(jié)合自適應(yīng)矩估計(jì)分析,約束了焊接異常圖像中特征集合的收斂條件。實(shí)驗(yàn)中將5種常見焊接異常圖像以等比例隨機(jī)分布的形式放入訓(xùn)練集、驗(yàn)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(jìn)行測試。結(jié)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(gè)數(shù)量級。該算法在對多種焊點(diǎn)缺陷類型識別中具有明顯優(yōu)勢。 

【文章來源】：激光技術(shù). 2020,44(06)北大核心CSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
引 言
1 系統(tǒng)設(shè)計(jì)
2 數(shù)據(jù)預(yù)處理
    2.1 獲取灰度直方圖函數(shù)
    2.2 圖像增強(qiáng)
    2.3 濾波優(yōu)化
3 焊點(diǎn)異常識別算法設(shè)計(jì)
    3.1 深度學(xué)習(xí)算法構(gòu)架
    3.2 改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)
    3.3 模型設(shè)計(jì)與實(shí)現(xiàn)
4 實(shí) 驗(yàn)
    4.1 數(shù)據(jù)獲取
    4.2 焊接異常圖像對比
    4.3 測試集分析
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于多模型深度卷積網(wǎng)絡(luò)融合的人群計(jì)數(shù)算法[J]. 雷翰林,張寶華.  激光技術(shù). 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(qiáng)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(shù). 2018(08)
[4]手持式聲表面波射頻識別系統(tǒng)[J]. 彭福強(qiáng),陳智軍,陳濤,李慶亮,賈浩.  壓電與聲光. 2018(03)
[5]加權(quán)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(shù). 2018(05)
[6]基于機(jī)器視覺的焊點(diǎn)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(xué)習(xí)機(jī)的焊點(diǎn)質(zhì)量檢測[J]. 馬立勇,袁統(tǒng)帥.  計(jì)算機(jī)工程與應(yīng)用. 2018(12)
[8]基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進(jìn)展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動(dòng)化學(xué)報(bào). 2017(05)
[9]基于機(jī)器人視覺的銀網(wǎng)焊點(diǎn)定位技術(shù)研究[J]. 陳一嶠,胡國清,黃道權(quán),李銳,賈明峰.  航空制造技術(shù). 2017(09)
[10]基于機(jī)器視覺PCB焊點(diǎn)質(zhì)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