基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法技术

本发明专利技术公开一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，该方法以Faster RCNN的残差网络ResNet为模型，设计基于主频率波数域的曲波稀疏基，提出Faster RCNN的自适应采样矩阵，对FPC图像进行压缩采样，再使用Conv+Relu+Pooling层提取压缩采样后FPC图像的特征值，然后利用RPN网络生成的推荐和ResNet网络最后一层得到的特征映射，计算出推荐特征映射，最后对特征映射进行全连接操作，并使用Softmax函数进行FPC图像缺陷分类识别。本发明专利技术克服了传统图像处理方法只能检测特定情况下的FPC缺陷检测，具有较好的鲁棒性，且识别精度较高、速度快。

【技术实现步骤摘要】
基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法
本专利技术属于图像处理、压缩感知和深度学习领域，具体涉及一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法。
技术介绍
在柔性电路板(FlexiblePrintedCircuit,FPC)的生产过程中，由于其具有轻巧、厚度薄和可挠性等优点，广泛应用于各行各业。由于FPC加工工艺的繁琐性和本身材质的原因，在生产过程中更容易损坏，因此，FPC生产厂商和企业对于产品的质检尤为重视。传统的人工检测方法，费时、费力，精度低。在大数据时代，采用深度学习可以轻松从海量数据找出缺陷样本，利用贝叶斯压缩感知技术可以极大降低计算成本，提升识别速度。
技术实现思路
专利技术目的：针对现有技术的不足，本专利技术提供一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，不仅提高了FPC缺陷识别速度，还提升了FPC图像小目标缺陷检测的识别精度。技术方案：本专利技术所述的一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，具有包括以下步骤：(1)以FasterRCNN的残差网络ResN本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，包括以下步骤：/n(1)以Faster RCNN的残差网络ResNet为模型，构建基于主频率波数域的曲波稀疏基；/n(2)构建能根据FPC图像的尺寸，自我学习调整的测量矩阵；/n(3)根据所述的稀疏基和自适应随机测量矩阵对输入的FPC图像进行压缩采样；/n(4)结合使用Conv、Relu及Pooling层提取压缩采样后FPC图像的特征值；/n(5)构建RPN网络，利用RPN网络生成的推荐和ResNet网络最后一层得到的特征映射，计算出推荐特征映射；/n(6)对特征映射进行全连接操作，并使用Softmax函数进行FPC图像缺陷...

【技术特征摘要】
1.一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，包括以下步骤：
(1)以FasterRCNN的残差网络ResNet为模型，构建基于主频率波数域的曲波稀疏基；
(2)构建能根据FPC图像的尺寸，自我学习调整的测量矩阵；
(3)根据所述的稀疏基和自适应随机测量矩阵对输入的FPC图像进行压缩采样；
(4)结合使用Conv、Relu及Pooling层提取压缩采样后FPC图像的特征值；
(5)构建RPN网络，利用RPN网络生成的推荐和ResNet网络最后一层得到的特征映射，计算出推荐特征映射；
(6)对特征映射进行全连接操作，并使用Softmax函数进行FPC图像缺陷分类识别。


2.根据权利要求1所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，所述步骤(1)包括以下步骤：
(11)二维FPC图像将其一维化成一个列向量，即然后再进行压缩采样；
(12)一维化后的FPC图像信号表示为X＝x+Γn，其中X表示一维化后的FPC图像信号，x表示不含噪声的图像信号，n表示图像中噪声信号，Γ表示混合噪声算子，分别计算出x和n：
x＝X-Γn(1)
n＝ΓHX-ΓHx(2)
其中，ΓH表示共轭混合算子；
(13)利用主频率波数域算法，计算出xi+1和ni+1：






其中，xi和ni分别表示第一和第二序列在频率域中第i次迭代估计值...

【专利技术属性】
技术研发人员：顾相平，杨艳，庄立运，王晓燕，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32