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(zhǔn)確的識(shí)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(luò)（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(luò)的壓敏電阻外觀缺陷分類,圍繞這個(gè)主題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)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(jìn)得到一種對(duì)壓敏電阻外觀細(xì)微缺陷敏感的卷積神經(jīng)網(wǎng)絡(luò)模型（命名為CNN4VDR）。該模型在AlexNet網(wǎng)絡(luò)的基礎(chǔ)上,結(jié)合全局平均池化（Global Average Pooling,GAP）層,用一個(gè)新的卷積層和一個(gè)全局平均池化層替代了原有的的3個(gè)全連接層,構(gòu)造出一個(gè)具有6個(gè)卷積層、3個(gè)池化層和1個(gè)全局平均池化層的CNN4VDR模型。同時(shí)為了防止過擬合,提高訓(xùn)練的效率,對(duì)整個(gè)網(wǎng)絡(luò)在結(jié)構(gòu)上做正則化。然后,對(duì)采集的壓敏電阻圖像樣本進(jìn)行預(yù)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(biāo)簽的圖像數(shù)據(jù)集輸入到提出的CNN4VDR網(wǎng)絡(luò)中進(jìn)... 

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)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(biāo)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(luò)
    2.2 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        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(tái)
        2.4.1 Caffe的三級(jí)結(jié)構(gòu)
        2.4.2 Caffe的網(wǎng)絡(luò)配置
        2.4.3 Caffe的優(yōu)點(diǎn)
    2.5 本章小結(jié)
第3章 CNN4VDR網(wǎng)絡(luò)模型設(shè)計(jì)
    3.1 方法概述
    3.2 卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
    3.3 評(píng)估指標(biāo)
    3.4 本章小結(jié)
第4章 實(shí)驗(yàn)與分析
    4.1 數(shù)據(jù)集
        4.1.1 圖像預(yù)處理
        4.1.2 數(shù)據(jù)集分割
        4.1.3 數(shù)據(jù)集擴(kuò)增
    4.2 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
    4.3 實(shí)驗(yàn)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(xiàn)
致謝
個(gè)人簡歷、攻讀碩士學(xué)位期間從事科學(xué)研究及發(fā)表論文情況


【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的表面劃痕識(shí)別方法[J]. 李文俊,陳斌,李建明,錢基德.  計(jì)算機(jī)應(yīng)用. 2019(07)
[2]基于機(jī)器學(xué)習(xí)的滅弧柵片表面缺陷檢測方法[J]. 郭良,舒亮,吳桂初.  機(jī)械工程與自動(dòng)化. 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的快速人臉檢測算法[J]. 陳益民,白勇,黎傳琛.  海南大學(xué)學(xué)報(bào)(自然科學(xué)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(jì)算機(jī)科學(xué). 2018(09)
[5]基于深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)綜述[J]. 張新鈺,高洪波,趙建輝,周沫.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(02)
[7]深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽.  軟件學(xué)報(bào). 2018(07)
[8]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[9]MFSC系數(shù)特征局部有限權(quán)重共享CNN語音識(shí)別[J]. 黃玉蕾,羅曉霞,劉篤仁.  控制工程. 2017(07)
[10]基于深度學(xué)習(xí)的車牌相似字符識(shí)別[J]. 潘翔,王恒.  計(jì)算機(jī)科學(xué). 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(luò)的圖像特征提取方法[D]. 李子強(qiáng).山東大學(xué) 2017



本文編號(hào)：3653155