在電子元器件的生產(chǎn)、應(yīng)用以及回收利用等方面,其分類和定位都是十分重要的基礎(chǔ)工作。隨著科學(xué)技術(shù)的進(jìn)步,電子元器件種類日漸趨多,且朝著微小化、片式化的方向演變,人工目檢和傳統(tǒng)的圖像分類、圖像檢測(cè)方法已經(jīng)逐漸地不再適用于當(dāng)下的環(huán)境。同時(shí),為了解放人力,實(shí)現(xiàn)生產(chǎn)的自動(dòng)化,而當(dāng)下的研究熱點(diǎn)卷積神經(jīng)網(wǎng)絡(luò)即可以滿足這一要求也在圖像特征學(xué)習(xí)領(lǐng)域表現(xiàn)出眾,因此本文提出將電子元器件的識(shí)別和定位與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合。為了簡(jiǎn)單高效地對(duì)電子元器件進(jìn)行識(shí)別分類,本文將電子元器件的分類和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電子元器件的識(shí)別方法。與圖像識(shí)別的傳統(tǒng)算法相比,該方法只需對(duì)輸入樣本進(jìn)行簡(jiǎn)單的預(yù)處理,就可以作為輸入用于網(wǎng)絡(luò)模型的訓(xùn)練,而且卷積結(jié)構(gòu)能減少參數(shù)量級(jí),減輕計(jì)算的復(fù)雜度。本文構(gòu)建了一個(gè)用于訓(xùn)練和測(cè)試的樣本集,最后樣本分類的平均精準(zhǔn)度達(dá)到了92.20%。通過該實(shí)驗(yàn)結(jié)果表明,即使沒有對(duì)圖像進(jìn)行復(fù)雜的預(yù)處理,卷積神經(jīng)網(wǎng)絡(luò)模型也能自動(dòng)進(jìn)行特征提取,能對(duì)多種電子元器件進(jìn)行分類處理,識(shí)別效果好且更簡(jiǎn)便,攻克了傳統(tǒng)圖像分類算法的許多缺點(diǎn)。而針對(duì)在一塊電路板上多種電子元器件的定位問題,本文基于像素和基于提... 

【文章來源】：寧波大學(xué)浙江省

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
引言
1 緒論
    1.1 選題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀分析
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
        1.2.2 語義分割研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及創(chuàng)新點(diǎn)
    1.4 本文結(jié)構(gòu)安排
2 卷積神經(jīng)網(wǎng)絡(luò)及語義分割
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 語義分割
3 基于卷積神經(jīng)網(wǎng)絡(luò)的電子元器件分類研究
    3.1 線性整流函數(shù)
    3.2 局部響應(yīng)歸一化
    3.3 基于CNN的電子元器件分類
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
        3.3.2 訓(xùn)練集和測(cè)試集的構(gòu)建
        3.3.3 網(wǎng)絡(luò)層參數(shù)設(shè)置及微調(diào)策略
    3.4 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
4 基于跨層式特征融合的語義分割算法
    4.1 上采樣理論
    4.2 跳躍結(jié)構(gòu)
    4.3 基于FCN的電路板元器件語義分割
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 預(yù)訓(xùn)練網(wǎng)絡(luò)模型
        4.3.3 全卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及訓(xùn)練策略
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 評(píng)價(jià)指標(biāo)
        4.4.2 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
5 基于共享式特征融合的語義分割算法
    5.1 區(qū)域提議網(wǎng)絡(luò)
    5.2 跨網(wǎng)絡(luò)共享卷積特征
    5.3 基于Faster R-CNN的電路板元器件語義分割
        5.3.1 數(shù)據(jù)預(yù)處理
        5.3.2 損失函數(shù)
        5.3.3 網(wǎng)絡(luò)訓(xùn)練及微調(diào)策略
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 評(píng)價(jià)指標(biāo)
        5.4.2 實(shí)驗(yàn)結(jié)果及分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 展望
參考文獻(xiàn)
在學(xué)研究成果
致謝
Abstract of Thesis
論文摘要


【參考文獻(xiàn)】：
期刊論文
[1]圖像語義分割問題研究綜述[J]. 肖朝霞,陳勝.  軟件導(dǎo)刊. 2018(08)
[2]基于圖像分層樹的圖像語義分割方法[J]. 曹攀,錢軍浩,陳智,李肖赫.  計(jì)算機(jī)應(yīng)用研究. 2018(08)
[3]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[4]基于深度學(xué)習(xí)框架Caffe的路面裂縫識(shí)別研究[J]. 李楠.  工程技術(shù)研究. 2017(03)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[6]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報(bào). 2017(01)
[7]第6講 深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用[J]. 鄭云飛,張雄偉,曹鐵勇,王文.  軍事通信技術(shù). 2016(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別初探[J]. 蔡娟,蔡堅(jiān)勇,廖曉東,黃海濤,丁僑俊.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(04)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別[J]. 徐姍姍,劉應(yīng)安,徐昇.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2013(02)
[10]基于可視色差與區(qū)域生長(zhǎng)的彩色圖像分割[J]. 于麗杰,李德勝,王躍宗.  微計(jì)算機(jī)信息. 2010(10)

碩士論文
[1]基于深度學(xué)習(xí)的葡萄葉片分割[D]. 趙兵.甘肅農(nóng)業(yè)大學(xué) 2018
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D]. 馬驍.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所) 2018
[3]基于全卷積網(wǎng)絡(luò)的圖像語義分割算法研究[D]. 孫海川.哈爾濱工業(yè)大學(xué) 2018
[4]基于深度學(xué)習(xí)的細(xì)胞核圖像分割方法研究[D]. 李剛森.哈爾濱工業(yè)大學(xué) 2018
[5]基于深度學(xué)習(xí)的昆蟲圖像識(shí)別研究[D]. 秦放.西南交通大學(xué) 2018
[6]農(nóng)田場(chǎng)景下的圖像語義分割方法研究[D]. 鞏祎明.西北農(nóng)林科技大學(xué) 2018
[7]基于深度神經(jīng)網(wǎng)絡(luò)的小目標(biāo)語義分割算法研究[D]. 胡太.南京師范大學(xué) 2018
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的道路場(chǎng)景感知算法研究[D]. 唐靜.哈爾濱工業(yè)大學(xué) 2018
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類和分割方法研究[D]. 蒲勇飛.哈爾濱工業(yè)大學(xué) 2018
[10]基于全卷積神經(jīng)網(wǎng)絡(luò)的全向場(chǎng)景分割研究與算法實(shí)現(xiàn)[D]. 翁健.山東大學(xué) 2017



本文編號(hào)：3390141