Method for Color-ring Resistor Detection and Localization in Printed Circuit Board Based on Convolutional Neural Network
-
摘要: 色环电阻是印刷电路板(PCB)中最常用的电子元器件之一,主要依靠色环的排列顺序和颜色等视觉信息进行区分,易发生装配错误。但是色环电阻装配质量的人工检测方法效率低、误检率高,而传统的基于图像处理技术的自动检测方法鲁棒性较差,难以解决不同拍摄角度、物距及光照条件下的PCB板色环电阻检测问题。针对这一问题,该文提出一种基于卷积神经网络(CNN)的PCB板色环电阻自动检测与定位方法,首先采用编码器-解码器结构的卷积神经网络模型及带有权重的交叉熵损失函数的网络训练方法,较好地解决了复杂光照及场景下PCB板色环电阻的图像分割问题;然后采用最小面积外接矩形方法定位单个色环电阻,并通过仿射变换对色环电阻位置进行垂直校正;最后通过高斯模板匹配方法实现了色环电阻的色环定位。采用1270幅PCB图像对该文方法进行了实验和验证,并与传统的基于形态学和基于模板匹配的色环电阻检测方法进行了对比,结果表明,该文方法在召回率、准确率及重叠度等性能指标上具有明显优势,处理速度快,能满足实际应用要求。Abstract: The color-ring resistor is one of the most commonly used electronic components in Printed Circuit Board (PCB). It is featured by sequential color rings, which often brings assembling errors, however. Manual detection of color-ring resistors has low efficiency and high false detection rate. Traditional image-based automatic detection methods have difficulties in dealing with PCB images under various illuminations, imaging distance and views. To solve this problem, an automatic detection and localization method for PCB color-ring resistor is proposed based on Convolution Neural Network (CNN). Firstly, the encoder-decoder CNN model is established and trained using weighted cross-entropy loss function. With CNN, color-ring resistors are segmented from PCB images with complex illumination and scenes. Secondly, each color-ring resistor is localized using minimum area bounding rectangle, and its position is adjusted to the vertical direction by affine transformation. Finally, the localization of color rings on the resistor is achieved by Gaussian template matching. The proposed method is tested and verified by 1270 PCB images, and the result is compared with that of the traditional method (method based on geometric contour, and method based on template matching). It is shown that the proposed method has obvious advantages in performance indices, including recall rate, precision, and intersection of unions, which can meet the requirements of practical applications.
-
1. 引言
卫星通信具有通信距离远、覆盖范围广等优势,被广泛应用于民事和军事领域[1]。但其测控信号的信道具有开放性的特点,易被电子侦察截获,存在假冒身份、欺骗等安全问题。通常卫星测控安全采用加密的身份认证机制,但随着大数据和人工智能的飞速发展,密码破译难度越来越小,存在着安全风险[2,3]。
无线通信设备电子元器件在生产过程中的容差会导致不同发射器产生的信号具有细微的差别,这些细微的差别就形成了信号的 “指纹”特征。射频指纹识别技术就是检测和识别出无线电信号中所独有的、不可伪造的信号“指纹”特征,能够识别特定发射器,是一种基于设备物理层硬件的非密码认证方法。与加密认证相比,它具有认证速度快、兼容性好等优点[4]。传统的射频指纹识别方法需要先人工选择特征,再设计分类器,需要一定的专家领域知识,且受环境影响较大。深度学习的方法可将提取特征和分类识别结合到一起,无需人工选择特征,实现端到端的身份识别,也可结合变换域、星座图等特征进行识别,可有效避免传统方法在面对复杂环境时识别率低的问题[5]。
文献[6]利用信号的双谱特征结合卷积神经网络进行识别,效果优于传统的基于Hilbert-Huang变换等方法;文献[7]将原始的IQ信号变换成差分轮廓星图,再利用深度卷积神经网络进行图像识别,对20台WiFi network设备进行识别实验,准确率达到了98.6%;文献[8]直接将原始IQ基带信号送入1维卷积神经网络进行识别,在信噪比为40 dB下达到了91.38%的准确率;文献[9]同样用原始IQ信号作为输入,对于16台USRP设备具有99%的识别准确率。但这些方法都旨在提高算法的识别准确率,忽视了模型大小和计算复杂度,其网络结构参数过多,运算复杂。
考虑到星载平台计算存储能力有限,本文提出了一种轻量化的卷积神经网络。首先使用原始IQ信号作为输入,减小变化所需的计算量,提取IQ相关特征和时域结构特征,再通过优化网络模型、使用最大池化层降维减小参数量和算法复杂度,同时兼顾识别准确率和模型鲁棒性,仿真实验表明,所提网络具有识别准确率高、轻量化且鲁棒性强的优点,可用于对测控信号进行身份识别。
2. 射频指纹特征分析
测控信号是地面站发射出的无线信号,如图1是一个简化的IQ正交调制发射机模型,基带信号经过数字信号处理后进入数模转换模块,经过滤波、上变频,最后由功率放大器将信号发送到天线发射出去。发射机中电子元器件在生产过程中的容差会导致不同的无线通信设备产生的信号具有细微的差别,即使是同一厂家同一型号的无线通信设备也会因为容差效应存在一定程度的差异,包括功放的非线性、滤波的失真以及振荡器的频偏等,这些差异并不影响所传输的信息内容,但却附加在信号上形成了每个信号独有的特征,即射频指纹,本文将根据正交调制器的模型分析调制器带来的差异。
使用的调制方式不同其调制模型也会不同,即使是相同的调制方式,调制器硬件的细微差别也会有所不同。对于正交调制器而言,往往由于I路和Q路增益不平衡、相位不平衡和延时不平衡等引入非线性畸变[10,11]。
数字信号经过基带滤波成型后将分成I/Q两路信号,原编码序列分别用cI(t)和cQ(t)表示,其表达式分别为
I(t)=+∞∑n=−∞cI(t)g(t−kT+τ2)+I0 (1) Q(t)=+∞∑n=−∞cQ(t)g(t−kT+τ2)+Q0 (2) 其中,g(t)表示滤波器函数,τ表示I/Q延时不平衡带来的误差,I0和Q0分别为I和Q路的偏置,即载波泄露,T为数模转换的周期。信号经过正交调制后,其输出信号可以表示为
x(t)=I(t)G0(1−Δ2)cos(w0t−ε2)+Q(t)G0(1+Δ2)sin(w0t+ε2) (3) 其中,G0表示基本增益,Δ和ε分别表示增益不平衡参数和I/Q两路相位不平衡参数,w0则表示载波频率。调制器所带来的差异表现在星座图上为星座点偏离理论值。以简单的单边带调制为例,令G0=1, I(t)=2sinw1t, Q(t)=2cosw1t, w1是信号频率,则
x(t)=2sinw1t(1−Δ2)cos(w0t−ε2)+2cosw1t(1+Δ2)sin(w0t+ε2)=A1sin(w2t+a)+A2sin(w2t+b) (4) 其中,w2=w0+w1
A1=√4cos2(ε2)+Δ2sin2(ε2) (5) A2=√4sin2(ε2)+Δ2cos2(ε2) (6) a=arctan[Δ2tan(ε2)] (7) b=arctan[2Δtan(ε2)] (8) 定义边带拒绝(Sideband Rejection, SBR)为不需要的信号功率与期望信号功率比
SBR(dB)=10lgA22A21 (9) 理想条件下,SBR对星座图误差向量幅度(Error Vector Magnitude, EVM)的影响可以定义为
EVM=10SBR20 (10) 如图2 所示,EVM反映了实际星座点与理论星座点的偏移程度,不同调制器的差异所带来的幅度误差和相位误差必定是不同的,因此IQ基带信号包含的幅度、相位的相关信息可作为射频指纹。
3. 轻量化卷积神经网络结构设计
目前用于射频指纹识别的卷积神经网络大多基于改进的AlexNet[12]等计算机视觉领域的经典网络,图像一般表示为M×M,具有各向同性的性质,而信号的表示方式一般为N×2格式,N代表时间序列,2代表原始IQ信号的实部和虚部,无法如图像般进行对称操作。因此通常会将信号变换成特征图谱以提高识别准确率,但这增加了额外计算量,经过网络中的数据压平(Flatten)操作,送入全连接层分类,又增加了大量参数,而用于直接处理IQ信号的1维网络结构忽视了信号之间的相位信息。
本文是以IQ信号作为基本处理单元,针对星载平台计算存储能力有限的特点设计了一种轻量化的卷积神经网络结构(RFFI),如图3所示,设计模型的思路为首先对2维的IQ原始数据进行降维,使用5层卷积以提高特征提取能力,中间使用最大池化层降低维数,最后使用两层神经元个数少的全连接层实现识别,同时使用32通道以减小计算量。从特征提取角度来说即先构造IQ信号方向上的卷积核提取相关特征,再使用1维卷积提取时域结构特征,最后通过多层次的特征提取充分利用IQ信号的相关信息实现识别。
在特征提取阶段,输入的信号格式为N×2的形式,首先利用(1, 2)的卷积核提取IQ方向上的相关特征,同时将2维数据降维成1维,减小后续时域卷积的计算量,在使用5层(7, 1)的卷积核提取时序方向上的时域结构特征,在保证提取足够时域结构特征的前提下提高特征提取能力,之后使用卷积核和步长均为(2, 1)的最大池化层减小数据维数,并使用批标准化(Batch Normalization, BN)增加模型的泛化能力和加快收敛速度,通过这种多层次的特征提取,充分利用IQ信号信息的同时,还减少了计算量。
在分类阶段,RFFI使用了2层全连接层作为分类器,但由于之前用了最大池化层降维,这里的全连接层神经元个数大幅度减少,在保证特征非线性映射能力的同时降低计算量,为了避免过拟合现象,全连接层之间使用了50%的Dropout层,最后使用Softmax函数输出结果,输出为L个类别,编号是0至L–1。
此外卷积层之间的激活函数使用ReLU,使用Adam优化器训练网络的权值,初始学习率为0.001,使用交叉熵作为损失函数,实验迭代训练30次,每训练1轮验证1次,参数的选择来源于实验验证的结果。
4. 实验结果与分析
本文的实验平台为CentOS Linux release 7.9.2009 (Core)操作系统,CPU为Intel(R) Xeon(R) Gold 5218 CPU @ 2.30 GHz,使用的GPU为NVIDIA A30, CUDA版本为11.4,编程语言为Python3.8.5,深度学习架构为Pytorch1.10.0。
4.1 FIT/Corte Xlab数据集
为仿真复杂的测控信道环境和信号接收处理方法,本文所使用的是FIT/Corte Xlab数据集[13],数据是以接收机采样接收到的原始IQ数据流的格式存储,这和测控终端使用数字接收机接收的信号格式是一致的,其仿真接收的信号中包含变功率发射的信号,这能够很好地模拟因距离和环境干扰对测控信号所造成的影响,多种信道类型可模拟复杂的电磁信道环境。
FIT/Corte Xlab数据集由 22台NI USRP N2932 SDR设备生成,其中21台为发射器、1台用作接收器,通信频点为433 MHz,采样速率为5M Sample/s,所有发射器都使用相同的频带。
数据集中发送的数据类型有3种,一是QPSK调制位的固定序列:发射器发送完全相同的802.15.4序言的位序列,以下称为固定包;二是 QPSK随机调制位序列:发射器产生随机的位序列,称为随机包;三是噪声序列:噪声源随机均匀产生的位序列,称为噪声包。
发送到数据信道类型包括两种:固定功率:所有发射器以相同的振幅发送;变化功率:发射器以变化的振幅发送,模拟每个发射器的路径损失变化,其中变功率信号的信噪比变化范围为9~14 dB。
机器人干扰:有效载荷的发送方式为固定包,在场景中引入一辆遥控车,用金属板覆盖以增加无线电波的反射,在房间内随机移动形成干扰。此外还有一把金属椅子静止放置,引入了新反射来随机化多路径参数。
本文使用了10个场景下的数据集,表1列出了所使用的各个场景的数据类型、发射功率和信道类型,以此设计了两组实验,场景1—场景6为1组,训练和测试都来自同一组,比较不同方法的准确性;场景7—场景10为1组,训练和测试在不同的场景,在场景7中训练在场景8中测试,在场景9中训练在场景10中测试,比较不同方法的鲁棒性。
表 1 数据集说明场景 数据类型 发射功率 干扰 1 固定包 固定 无 2 随机包 固定 无 3 噪声包 固定 无 4 固定包 变化 无 5 随机包 变化 无 6 噪声包 变化 无 7 固定包 变化 无 8 固定包 变化 金属椅干扰 9 固定包 变化 机器人干扰 10 固定包 变化 机器人+金属椅干扰 4.2 数据预处理
在实验过程中需对信号进行一定的处理才能送入识别网络,本文采取的预处理方式如下:
(1)数据归一化处理,加快模型求解速度;
(2)对数据进行截取,对归一化的IQ两路数据,每隔一定数目的采样点(即N个点)作为一个数据样本进行截取,如图4所示,本文取N=600,以原作者的截取方式能够更好地进行对比实验;
(3)把截取的IQ两路1维数据按对应的时间段合成2维矩阵,送入识别模型。在训练过程中把每个样本打上标签,合成数据集,按照6:2:2的比例随机划分为训练集、验证集和测试集。
4.3 识别方法
4.3.1 深度学习方法
为了对比本文所提出的网络结构的优势,选取了DLRF[8]和ORACLE[9]两种典型的卷积神经网络模型进行比较,验证模型性能。
DLRF网络由3个卷积层和3个全连接层组成,卷积核分别是(19, 1), (15, 1)和(11, 1),通道数分别为128, 32和16,层间使用核大小和步长都是(2, 1)的最大池化层,3个全连接层的神经元个数分别为128, 16和21,使用50%的Dropout层,激活函数为ELU,分类函数为Softmax。
ORACLE模型由两个卷积层和两个全连接层组成,卷积核分别为(7, 1), (7, 2),通道数为50,全连接层的神经元个数为256和80,激活函数为ReLU,还使用50%的Dropout层避免过拟合,分类函数使用Softmax。
采用Pytorch的torchstat库计算卷积网络结构的各种参数,本文提供了3个指标:参数、浮点操作计算量(FLOPs)以及内存使用量。
在参数上,本文所提出的RFFI网络结构具有最少的参数,参数量是ORACLE的0.7%,是DLRF的26.9%,FLOPs是指浮点运算的次数,用来衡量在不同设备上训练模型的复杂性,对比3个网络,ORACLE和DLRF分别是RFFI计算量的2.4倍、3.3倍,第3个是存储量方面,RFFI占用的内存读写使用量同样最小。各网络模型的参数如表2所示。
表 2 网络模型各参数比较名称 Params Flops(M) MemR+W(MB) DLRF 205495 20.96 2.42 ORACLE 7584367 28.72 30.3 RFFI 55445 8.59 1.65 对比另外两个网络结构,本文所提出的网络结构无论是参数上、计算量上还是内存使用量上均具有明显的优势,更加的轻量化。
4.3.2 传统人工特征方法
使用文献[14]中方法,将功率谱密度作为信号的特征向量,用支持向量机(Support Vector Machine, SVM)分类器进行分类识别,作为传统人工特征方法的代表。
SVM常用于二分类问题,处理多分类问题时,可通过修改目标函数、将多个分类面的参数求解合并到一个最优化问题中实现多分类,或组合多个二分类器实现多分类器的构造。文中使用sklearn库中封装的SVM函数实现多分类,SVM分类器使用默认高斯核函数,系数为0.05,最大迭代次数200。
4.4 实验结果
采用识别准确率(Accuracy)对网络模型的识别性能进行评估,对于二分类的问题,根据预测值和真实值的结果,可将整个样本集划分为真正例(True Positive, TP)、伪正例(False Positive, FP)、真反例(True Negative, TN)和伪反例(False Negative, FN),其中 Accuracy=(TP+TN)/(TP+TN+FP+FN),即所有正确分类的样本数与全体样本数的比例。
4.4.1 RFFI模型性能验证
为验证本文模型的性能,使用场景4中的变功率固定包来进行训练、验证和测试,比较了卷积核尺寸、卷积层数量和卷积核数量对模型识别性能的影响。
表3 展示了卷积核尺寸对模型性能的影响,先固定卷积层数为5层和卷积核数为32的情况下,比较卷积核分别为(3, 1), (5, 1), (7, 1)和(9, 1)的识别准确率。根据结果可知,增大卷积核会使得识别准确率有所增加,但大卷积核也会带来明显的参数量和计算量增加,导致模型较大,本文在选取卷积核时考虑了高识别率和轻量化的要求,因此取(7, 1)的卷积核。
表 3 卷积核尺寸对模型性能的影响卷积核尺寸 识别准确率(%) 参数量 Flops(M) (3, 1) 94.9 34965 3.83 (5, 1) 97.1 45205 6.21 (7, 1) 97.5 55445 8.59 (9, 1) 97.9 65685 10.97 表4是卷积层数对网络性能的影响,固定卷积核大小和卷积核数量,比较卷积层数为1, 3, 5和7时的识别准确率,大体来看增加卷积层数能够提高识别准确率,在综合识别准确率、参数量和计算量来说,5层的卷积是性价比最高的,参数量会减小是因为卷积层数多了所带来的最大池化层降维次数也多了,输入全连接层的数据也就小了。
表 4 卷积层数对模型性能的影响卷积层数 识别准确率(%) 参数量 Flops(M) 1 89.9 315285 4.78 3 96.2 99349 7.83 5 97.5 55445 8.59 7 97.2 55573 8.78 表5是卷积核数量对模型性能的影响,固定卷积核尺寸为(7, 1)、卷积层数为5层,比较卷积核数量分别为16, 32, 64和128时的识别准确率。增加卷积核数量会在一定程度上增加识别准确率,同时参数和计算量也会大幅增加,综合来看卷积核数为32时,识别准确率较高而参数和计算量较小。
表 5 卷积核数量对模型性能的影响卷积核数量 识别准确率(%) 参数量 Flops(M) 16 94.7 19 125 2.21 32 97.5 55 445 8.59 64 98.7 181 845 33.84 128 97.7 649 685 134.32 4.4.2 准确率比较
图5 展示了不同场景下的识别效果,即发送包类型与功率是否变化对识别准确率的影响,在这些场景中没有其他干扰影响, RFFI, DLRF, ORACLE和SVM模型的平均识别率分别为93.8%, 82.3%, 64%, 54%,由结果可知,本文的RFFI模型在各个场景下均高于ORACLE, DLRF模型,说明通过增加IQ相关特征提取能够使RFFI模型提高识别准确率。与传统的SVM方法相比,深度学习的方法明显有着更好的识别效果,而本文所提的RFFI网络结构在各种场景下均具有最高的识别准确率,说明本文方法的优越性。
图5中横坐标为实验场景编号,数据类型依次为固定功率固定包、固定功率随机包、固定功率噪声包、变功率固定包、变功率随机包以及变功率噪声包。
实验选取了3种深度学习模型的训练和推理时间进行对比,并选取场景4的数据集作为对比的代表,其中,算法推理时间的实验主要关注不同模型推理过程所需要的时间,使用的是测试样本。表6展示的是在场景4中数据集的训练时间和推理时间,可知RFFI的训练时间少于另外两种网络模型,时间最短。同时对比了3种模型的推理时间,RFFI模型的推理时间明显少于DLRF和ORACLE模型,说明RFFI模型运行速度更快,更有利于星载平台的部署。
表 6 运行时间对比(s)RFFI DLRF ORACLE 训练时间 740 786 2091 推理时间 9.1 12.9 15.5 4.4.3 鲁棒性比较
鲁棒性测试是在一种场景下训练模型,然后增加信道干扰后,测试模型对信道干扰的鲁棒性。选取了两种方案测试模型的鲁棒性:一是在干扰的条件下(场景7)训练,在增加一把静止放置的金属椅子的场景下(场景8)测试;二是在有机器人干扰场景下(场景9)训练,在这个场景基础上再静止放置一个金属椅子(场景10),用来测试。两个实验中所发射的信号都是变功率的固定包,验证各个方法对路径变化的鲁棒性。
图6显示了各个方法在不同场景下训练和测试的准确率,增加干扰会使模型的识别准确率下降,模型的鲁棒性越强,则下降幅度越小。结果表明RFFI模型无论在训练场景下还是测试场景下都有着最高的识别准确率,而且模型的鲁棒性优于另外ORACLE, DLRF两种网络结构和传统的SVM方法。说明本文所提的RFFI模型较ORACLE模型而言,使用5层卷积层提高了特征提取能力,而批标准化层(BN)的使用能够增加模型的鲁棒性,因此有着更好的效果。
图6的横坐标为实验场景,数据类型为变功率固定包,干扰方式分别为无干扰、金属椅干扰、机器人干扰以及金属椅和机器人干扰,训练的两种场景分别为场景7和场景9,测试的两种场景分别为场景8和场景10。
5. 结束语
本文提出了一种利用射频指纹识别测控地面站身份的方法,并通过轻量化的卷积神经网络对仿真的信号进行了识别验证。相比于为了传统加密认证方法,通过本文提出的物理层认证个体识别方法能从本质上提高卫星测控的安全性。通过仿真实验表明,本文的轻量化RFFI模型的平均识别准确率为93.8%,优于现有的其他深度学习方法和传统的SVM方法,且有着较强的鲁棒性,在卫星终端部署方面具有一定的前景。
-
图 8 本文方法与Ostu方法[9]的色环分割结果对比
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
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 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 3 CNN在测试集与验证集上的性能指标对比
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 -
熊光洁, 马树元, 聂学俊, 等. 基于机器视觉的高密度电路板缺陷检测系统[J]. 计算机测量与控制, 2011, 19(8): 1824–1826.XIONG Guangjie, MA Shuyuan, NIE Xuejun, et al. Defects inspection system of HID PCB based on machine vision[J]. Computer Measurement &Control, 2011, 19(8): 1824–1826. 吴福培, 张宪民. 印刷电路板无铅焊点假焊的检测[J]. 光学 精密工程, 2011, 19(3): 697–702. doi: 10.3788/OPE.20111903.0697WU Fupei and ZHANG Xianmin. Inspection of pseudo solders for lead-free solder joints in PCBs[J]. Optics and Precision Engineering, 2011, 19(3): 697–702. doi: 10.3788/OPE.20111903.0697 CHEN Y S and WANG J Y. Reading resistor based on image processing[C]. 2015 IEEE International Conference on Machine Learning and Cybernetics, Guangzhou, China, 2015: 566–571. doi: 10.1109/ICMLC.2015.7340616. GAIDHANE V H, HOTE Y V, and SINGH V. An efficient similarity measure approach for PCB surface defect detection[J]. Pattern Analysis and Applications, 2018, 21(1): 277–289. doi: 10.1007/s10044-017-0640-9 倪尧, 鲍宇. 基于目标轮廓几何特征的电容元件定位方法[J]. 计算机工程与科学, 2017, 39(8): 1476–1482. doi: 10.3969/j.issn.1007-130X.2017.08.014NI Yao and BAO Yu. A capacitor element localization method based on geometrical features of target contour[J]. Computer Engineering and Science, 2017, 39(8): 1476–1482. doi: 10.3969/j.issn.1007-130X.2017.08.014 DONG Na, WU C H, IP W H, et al. Chaotic species based particle swarm optimization algorithms and its application in PCB components detection[J]. Expert Systems with Applications, 2012, 39(16): 12501–12511. doi: 10.1016/j.eswa.2012.04.063 王耀南, 刘良江, 周博文, 等. 一种基于混沌优化算法的PCB板元件检测方法[J]. 仪器仪表学报, 2010, 31(2): 410–415. doi: 10.19650/j.cnki.cjsi.2010.02.028WANG Yaonan, LIU Liangjiang, ZHOU Bowen, et al. Detection method of printed circuit board components based on chaotic optimization algorithm[J]. Chinese Journal of Scientific Instrument, 2010, 31(2): 410–415. doi: 10.19650/j.cnki.cjsi.2010.02.028 姜建国, 王国林, 孟宏伟, 等. 一种电子元器件组装结果检测方法[J]. 西安电子科技大学学报: 自然科学版, 2014, 41(3): 110–115, 173. doi: 10.3969/j.issn.1001-2400.2014.03.016JIANG Jianguo, WANG Guolin, MENG Hongwei, et al. Detection method for assembling results of electronic components[J]. Journal of Xidian University, 2014, 41(3): 110–115, 173. doi: 10.3969/j.issn.1001-2400.2014.03.016 毛林威. 轴向色环电阻质量自动检测系统的设计[D]. [硕士论文], 北京理工大学, 2015.MAO Linwei. The design of color-ring resistor quality automatic detection system[D]. [Master dissertation], Beijing Institute of Technology, 2015. CHEN Y S and WANG J Y. Computer vision on color-band resistor and its cost-effective diffuse light source design[J]. Journal of Electronic Imaging, 2016, 25(6): 061409. doi: 10.1117/1.JEI.25.6.061409 BADRINARAYANAN V, KENDALL A, and CIPOLLA R. SegNet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481–2495. doi: 10.1109/TPAMI.2016.2644615 王海, 蔡英凤, 贾允毅, 等. 基于深度卷积神经网络的场景自适应道路分割算法[J]. 电子与信息学报, 2017, 39(2): 263–269. doi: 10.11999/JEIT160329WANG Hai, CAI Yingfeng, JIA Yunyi, et al. Scene adaptive road segmentation algorithm based on deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2017, 39(2): 263–269. doi: 10.11999/JEIT160329 DUAN Jiaxu, LIU Xiaoyan, WU Xin, et al. Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network[J]. Neural Computing and Applications, 2020, 32(10): 5775–5790. doi: 10.1007/s00521-019-04045-8 YE Ruifang, PAN C S, CHANG Ming, et al. Intelligent defect classification system based on deep learning[J]. Advances in Mechanical Engineering, 2018, 10(3): 1–7. doi: 10.1177/1687814018766682 ZHANG Shifeng, WEN Longyin, BIAN Xiao, et al. Single-shot refinement neural network for object detection[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 18–23. doi: 10.1109/CVPR.2018.00442. REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster RCNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031 张烨, 许艇, 冯定忠, 等. 基于难分样本挖掘的快速区域卷积神经网络目标检测研究[J]. 电子与信息学报, 2019, 41(6): 1496–1502. doi: 10.11999/JEIT180702ZHANG Ye, XU Ting, FENG Dingzhong, et al. Research on faster RCNN object detection based on hard example mining[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1496–1502. doi: 10.11999/JEIT180702 IOFFE S and SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C]. The 32nd International Conference on Machine Learning, Lille, France, 2015: 448–456. KINGMA D P and BA J. Adam: A method for stochastic optimization[C]. The 3rd International Conference on Learning Representations (ICLR), San Diego, USA, 2015: 1–13. 邸男, 李桂菊, 陈春宁, 等. 结合归一化差分高斯特征的图像匹配技术研究[J]. 电子测量与仪器学报, 2014, 28(6): 585–590. doi: 10.13382/j.jemi.2014.06.002DI Nan, LI Guiju, CHEN Chunning, et al. Image matching technology research based on normalized DOG features[J]. Journal of Electronic Measurement and Instrumentation, 2014, 28(6): 585–590. doi: 10.13382/j.jemi.2014.06.002 卢倩雯, 陶青川, 赵娅琳, 等. 基于生成对抗网络的漫画草稿图简化[J]. 自动化学报, 2018, 44(5): 75–89. doi: 10.16383/j.aas.2018.c170486LU Qianwen, TAO Qingchuan, ZHAO Yalin, et al. Sketch simplification using generative adversarial networks[J]. Acta Automatica Sinica, 2018, 44(5): 75–89. doi: 10.16383/j.aas.2018.c170486 -