基于卷积神经网络的印刷电路板色环电阻检测与定位方法

图共 11个表共 3个

图 1 PCB图像数据集示例

Figure 1.
图 2 本文算法的总体流程图

Figure 2.
图 3 编码器-解码器结构的卷积神经网络模型

Figure 3.
图 4 Max pooling与Upsamping计算过程

Figure 4.
图 5 色环电阻及色环的定位方法流程图以及中间过程示意图

Figure 5.
图 6 色环电阻最小外接矩形的确定

Figure 6.
图 7 本文方法与传统方法的色环电阻分割与检测结果对比

Figure 7.
图 8 本文方法与Ostu方法^[9]的色环分割结果对比

Figure 8.
图 9 PCB板上色环电阻的色环定位结果

Figure 9.
图 10 网络层数不同时的卷积神经网络模型示意图(W=3, W=5)

Figure 10.
图 11 训练过程中误差及准确率随迭代次数的变化曲线

Figure 11.

方法	图像分割性能指标					PCB板中色环电阻实际个数	检测出的色环电阻个数
方法	Acc	Recall	Precision	IoU	F₁	PCB板中色环电阻实际个数	检测出的色环电阻个数
基于形态学的方法^[5]	0.796	0.575	0.174	0.154	0.260	31	13
基于模板匹配的方法^[8]	–	–	–	–	–	31	4
本文方法	0.966	0.991	0.666	0.660	0.785	31	31

表 1 不同检测方法对图像1-图像4中色环电阻的分割与检测结果

平均Acc 平均Recall 平均Precision 平均IoU 平均F₁

W=3 0.985 0.970 0.887 0.870 0.925
W=4 0.991 0.959 0.953 0.924 0.995
W=5 0.985 0.883 0.965 0.865 0.921
W=6 0.979 0.837 0.936 0.805 0.881

表 2 不同网络层数时色环电阻的分割性能指标对比
平均Acc 平均Recall 平均Precision 平均IoU 平均F₁

验证集 0.991 0.959 0.953 0.924 0.995
测试集 0.982 0.979 0.851 0.834 0.899

表 3 CNN在测试集与验证集上的性能指标对比