不同型號手機(jī)的主板圖像具有多分辨率的成像模式,使缺陷元件是多尺度的。常規(guī)缺陷檢測方法主要有圖像融合方法和提取統(tǒng)計模型的方法,但這些方法的魯棒性仍需要提高。針對該問題,提出了一種自動檢測網(wǎng)絡(luò)模型,即RetinaNet目標(biāo)檢測器。首先使用特征金字塔網(wǎng)絡(luò)（FPN）提取缺陷元件的多尺度特征分類和位置,然后引入MobileNetV2以壓縮和加速RetinaNet模型,最后使用焦點(diǎn)損失解決類不平衡和難以檢測樣本對損失貢獻(xiàn)程度的問題。實驗結(jié)果表明, RetinaNet能有效地檢測不同尺度的缺陷元件,具有很高的檢測精度;與其他目標(biāo)檢測器相比,RetinaNet實現(xiàn)了超過95%的平均精度（mAP）。這些結(jié)果表明了本文所提模型的有效性。 

【文章來源】：計算機(jī)工程與科學(xué). 2020,42(04)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

RetinaNet的結(jié)構(gòu)

ResNet50結(jié)構(gòu)

圖2 ResNet50結(jié)構(gòu)ResNet50包括2個基本的構(gòu)建塊:卷積構(gòu)建塊(Conv Block)和恒等構(gòu)建塊(IDentity Block),分別如圖2中的Conv Block和ID Block所示。ResNet50包含了5個不同的卷積階段,如圖2中的stage1～stage5,每個階段都包括1個下采樣塊和2個殘差塊,如圖3所示[21]。其中,區(qū)域1的下采樣塊會設(shè)置最初的卷積步長為1,通過該方式對特征圖進(jìn)行下采樣,使得圖像尺寸得到縮減。而在區(qū)域2及之后對特征圖進(jìn)行相加處理,可避免深層網(wǎng)絡(luò)的梯度消失和退化問題。每個卷積階段中卷積構(gòu)建塊將圖像特征從低語義層提取到高語義層。


本文編號：3113018