針對微型電機轉(zhuǎn)子焊點檢測費時費力且準(zhǔn)確率低的問題,提出一種基于殘差神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子焊點檢測方法。首先運用網(wǎng)絡(luò)預(yù)訓(xùn)練的方法加速網(wǎng)絡(luò)訓(xùn)練,提高模型準(zhǔn)確率;然后在網(wǎng)絡(luò)中引入批量歸一化,避免出現(xiàn)梯度消失;最后對圖像進行數(shù)據(jù)增強,減少過擬合現(xiàn)象。實驗表明,與K最近鄰（KNN）等經(jīng)典算法相比,該算法在測試集上的準(zhǔn)確率達到91.5%,與工人檢測的速度相比提高了3.5倍,具有很好的識別效果。 

【文章來源】：科學(xué)技術(shù)與工程. 2020,20(19)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 介紹殘差神經(jīng)網(wǎng)絡(luò)
    1.1 殘差神經(jīng)網(wǎng)絡(luò)
    1.2 模型結(jié)構(gòu)
    1.3 模型預(yù)訓(xùn)練
    1.4 批量歸一化
2 實驗分析與結(jié)果
    2.1 數(shù)據(jù)準(zhǔn)備
    2.2 實驗對比與分析
3 結(jié)論


【參考文獻】：
期刊論文
[1]MeanShift聚類圓擬合算法在焊點檢測中的應(yīng)用[J]. 謝達奇,梁橋康,孫煒,王耀南.  計算機仿真. 2019(09)
[2]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)
[3]改進LeNet-5網(wǎng)絡(luò)在圖像分類中的應(yīng)用[J]. 劉金利,張培玲.  計算機工程與應(yīng)用. 2019(15)
[4]預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型微調(diào)的行人重識別[J]. 李錦明,曲毅,裴禹豪,扆澤江.  計算機工程與應(yīng)用. 2018(20)
[5]PCB焊點表面三維質(zhì)量檢測方法[J]. 吳福培,郭家華,張憲民,李昇平,吳濤.  儀器儀表學(xué)報. 2018(05)
[6]基于機器視覺的焊點檢測算法研究[J]. 劉美菊,李凌燕,郭文博.  電子器件. 2017(04)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應(yīng)用研究. 2017(10)
[8]基于特征聚集度的FCM-RSVM算法及其在人工焊點缺陷識別中的應(yīng)用[J]. 錢佳,羅晶波,李夢霄,萬永菁.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2015(04)
[9]基于深度學(xué)習(xí)的車標(biāo)識別方法研究[J]. 彭博,臧笛.  計算機科學(xué). 2015(04)
[10]基于KNN的特征自適應(yīng)加權(quán)自然圖像分類研究[J]. 侯玉婷,彭進業(yè),郝露微,王瑞.  計算機應(yīng)用研究. 2014(03)



本文編號：3174811