隨著3C領(lǐng)域中通信行業(yè)迅速興起,智能手機(jī)在人們的生活中越來(lái)越重要,手機(jī)廠商為了提高自己的產(chǎn)品競(jìng)爭(zhēng)力,手機(jī)主板上的手機(jī)部件也越來(lái)越緊密,高精度的手機(jī)制造業(yè)也面臨著更多的挑戰(zhàn)。針對(duì)檢測(cè)在手機(jī)主板上高精度的手機(jī)部件是否焊接在正確的區(qū)域內(nèi),以及相應(yīng)區(qū)域位置上,焊接的部件種類(lèi)是否正確,傳統(tǒng)的檢測(cè)方法已經(jīng)不能滿足要求。近年來(lái),大規(guī)模GPU并行運(yùn)算的發(fā)展使利用深度學(xué)習(xí)解決計(jì)算機(jī)視覺(jué)中的問(wèn)題成為可能。利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)手機(jī)部件所在位置是否符合工業(yè)要求,即可以避免傳統(tǒng)接觸式檢測(cè)的碰撞和人工目檢的主觀性,又可以用較低的成本完成檢測(cè),并且利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè),具有較高的魯棒性和準(zhǔn)確性,無(wú)需針對(duì)每次檢測(cè)都重新編程。因此,利用計(jì)算機(jī)視覺(jué)實(shí)現(xiàn)手機(jī)部件的目標(biāo)區(qū)域檢測(cè)在手機(jī)生產(chǎn)過(guò)程中越來(lái)越重要。通過(guò)研究神經(jīng)網(wǎng)絡(luò)和近年提出的目標(biāo)檢測(cè)算法,本文提出了利用計(jì)算機(jī)視覺(jué)檢測(cè)手機(jī)部件目標(biāo)區(qū)域的算法。該算法根據(jù)SSD模型低層特征圖語(yǔ)義信息不足,設(shè)計(jì)了新的融合結(jié)構(gòu),降低了參數(shù)量,豐富了特征圖的邊緣信息和語(yǔ)義信息。針對(duì)特征圖多次反卷積會(huì)增加噪聲信息,將SSD模型特征圖劃分三段做分段反卷積與淺層特征層融合。為加強(qiáng)模型對(duì)小目標(biāo)的檢測(cè)... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)遼寧省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

面向手機(jī)部件的目標(biāo)區(qū)域檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)103)PCA/白化：其主要目的是通過(guò)相關(guān)性函數(shù)，降低輸入數(shù)據(jù)維度，去掉冗余維度，加快訓(xùn)練速度，減小模型的復(fù)雜度。如圖2.3去相關(guān)與白化效果圖。圖2.2去均值與歸一化效果圖Figure2.2De-meanandnormalizedrenderings圖2.3去相關(guān)與白化效果圖Figure2.3De-correlationandwhiteningrenderings2.1.2卷積計(jì)算層這一層是卷積神經(jīng)網(wǎng)絡(luò)最重要的一層，卷積神經(jīng)網(wǎng)絡(luò)的名字也由此而來(lái)。卷積操作受到生物學(xué)中視覺(jué)結(jié)構(gòu)的啟發(fā)，在數(shù)學(xué)函數(shù)領(lǐng)域是一種積分運(yùn)算，卷積運(yùn)算的定義如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表濾波器，和分別為卷積核的長(zhǎng)寬，代表圖像中卷積核所對(duì)應(yīng)的像素窗口。濾波器對(duì)圖像進(jìn)行滑動(dòng)窗口操作，將窗口內(nèi)的圖像與濾波器相乘之后相加，

面向手機(jī)部件的目標(biāo)區(qū)域檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)103)PCA/白化：其主要目的是通過(guò)相關(guān)性函數(shù)，降低輸入數(shù)據(jù)維度，去掉冗余維度，加快訓(xùn)練速度，減小模型的復(fù)雜度。如圖2.3去相關(guān)與白化效果圖。圖2.2去均值與歸一化效果圖Figure2.2De-meanandnormalizedrenderings圖2.3去相關(guān)與白化效果圖Figure2.3De-correlationandwhiteningrenderings2.1.2卷積計(jì)算層這一層是卷積神經(jīng)網(wǎng)絡(luò)最重要的一層，卷積神經(jīng)網(wǎng)絡(luò)的名字也由此而來(lái)。卷積操作受到生物學(xué)中視覺(jué)結(jié)構(gòu)的啟發(fā)，在數(shù)學(xué)函數(shù)領(lǐng)域是一種積分運(yùn)算，卷積運(yùn)算的定義如公式（2.1）。(,)=(,)(,)=∑(,)(,)…（2.1）其中代表濾波器，和分別為卷積核的長(zhǎng)寬，代表圖像中卷積核所對(duì)應(yīng)的像素窗口。濾波器對(duì)圖像進(jìn)行滑動(dòng)窗口操作，將窗口內(nèi)的圖像與濾波器相乘之后相加，

【參考文獻(xiàn)】：
期刊論文
[1]深層卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法綜述[J]. 張澤苗,霍歡,趙逢禹.  小型微型計(jì)算機(jī)系統(tǒng). 2019(09)
[2]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 吳雨露,張德賢.  信息與電腦(理論版). 2019(12)
[3]基于改進(jìn)SSD的行人檢測(cè)方法[J]. 邢浩強(qiáng),杜志岐,蘇波.  計(jì)算機(jī)工程. 2018(11)
[4]基于天文觀測(cè)的相機(jī)標(biāo)定及姿態(tài)測(cè)量技術(shù)研究[J]. 戴東凱,王省書(shū),胡春生,焦宏偉.  光學(xué)學(xué)報(bào). 2012(03)
[5]印刷電路板瑕疵檢測(cè)與分類(lèi)算法[J]. 陳曉輝,劉曉軍.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(07)
[6]PCB測(cè)試方法綜述[J]. 蔡希彪,趙悅,唐毅謙.  遼寧工學(xué)院學(xué)報(bào). 2004(04)
[7]PCB瑕疵圖象實(shí)時(shí)視覺(jué)檢測(cè)方法的研究[J]. 劉尚軍,程憲平.  計(jì)算機(jī)工程與應(yīng)用. 2002(16)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的視覺(jué)定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 甘露.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所) 2019
[2]基于機(jī)器視覺(jué)的PCB元器件檢測(cè)方法研究[D]. 王志國(guó).中北大學(xué) 2019
[3]基于機(jī)器視覺(jué)的爐前PCB貼裝器件缺陷檢測(cè)[D]. 韓博軒.哈爾濱工業(yè)大學(xué) 2018
[4]手機(jī)電池的尺寸測(cè)量和外觀缺陷檢測(cè)[D]. 王盼.哈爾濱工業(yè)大學(xué) 2016
[5]基于雙目立體視覺(jué)的物體深度信息提取系統(tǒng)研究[D]. 劉維.中南大學(xué) 2009
[6]基于圖像處理與機(jī)器視覺(jué)的手機(jī)軟板缺陷檢測(cè)的研究[D]. 曹申.中南大學(xué) 2007
[7]PCB數(shù)字圖像檢測(cè)與識(shí)別研究[D]. 高湘玲.西南交通大學(xué) 2002



本文編號(hào)：3467147