不同型號(hào)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(cè)方法主要有圖像融合方法和提取統(tǒng)計(jì)模型的方法,但這些方法的魯棒性仍需要提高。針對(duì)該問(wèn)題,提出了一種自動(dòng)檢測(cè)網(wǎng)絡(luò)模型,即RetinaNet目標(biāo)檢測(cè)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(cè)樣本對(duì)損失貢獻(xiàn)程度的問(wèn)題。實(shí)驗(yàn)結(jié)果表明, RetinaNet能有效地檢測(cè)不同尺度的缺陷元件,具有很高的檢測(cè)精度;與其他目標(biāo)檢測(cè)器相比,RetinaNet實(shí)現(xiàn)了超過(guò)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(lái)源】：計(jì)算機(jī)工程與科學(xué). 2020,42(04)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【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(gè)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(gè)不同的卷積階段,如圖2中的stage1～stage5,每個(gè)階段都包括1個(gè)下采樣塊和2個(gè)殘差塊,如圖3所示[21]。其中,區(qū)域1的下采樣塊會(huì)設(shè)置最初的卷積步長(zhǎng)為1,通過(guò)該方式對(duì)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(duì)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(wèn)題。每個(gè)卷積階段中卷積構(gòu)建塊將圖像特征從低語(yǔ)義層提取到高語(yǔ)義層。


本文編號(hào)：3113018