【技术实现步骤摘要】
一种基于改进的ConvNeXt V2和Faster
‑
RCNN的焊点缺陷检测方法
[0001]本专利技术属于焊点缺陷检测
,特别是涉及一种基于改进的ConvNeXt V2和Faster
‑
RCNN的焊点缺陷检测方法
。
技术介绍
[0002]焊点检测技术是现代制造业中重要的一部分,其目的是确保焊接连接可靠,减少焊点质量问题对产品质量和安全性的影响。为了保证焊点的质量,需要采用一系列的检测方法,传统的检测方法有目视检测、X射线检测、超声波检测等,这些方法检测速度较慢且专业的检测人员和环境进行检测,不仅需要耗费大量的人力物力,而且容易出现漏检和误检情况。目前针对焊点检测的深度学习方法通常都基于有监督学习,需要大量的标注数据用于训练,标注过程十分耗费人力且标注周期较长,标注的数据集质量层次不齐,模型训练的效果欠佳。
[0003]公开号CN115482452A公开了一种深度卷积神经网络的PCB焊点识别方法,包括以下步骤:对输入图像进行基于亮度均衡的阈值分割操作;将分割出的图像基于形态学操作进行逐个焊点截取;对切分的焊点图像进行数据增强,并归一化;将数据增强的数据输入到多路卷积和池化操作,提取多尺度卷积特征;然后将多尺度特征经过GAP降维,最后通过分类器输出焊点对应类别;在原图中显示每个焊点对应类别,以及公开号CN109615609A公开了一种基于深度学习的焊点瑕疵检测方法,包括以下步骤:对原始图像数据进行灰度化处理;对灰度化处理后的图像进行预处理,进行滤波处理,消除噪 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进的ConvNeXtV2和Faster
‑
RCNN的焊点缺陷检测方法,其特征在于:包括如下步骤:S1:对输入的PCB图像进行预处理;S2:采用无监督方式训练的ConvNeXtV2模型对步骤S1中的预处理图像进行处理并输出特征图F;S3:通过RPN网络在原图上生成筛选候选框;S4:在原图上生成的筛选候选框映射回步骤S2输出的特征图F并通过RoIAlign获取缩小的特征图F
’
;S5:将缩小的特征图F
’
展平放入全连接层预测;S6:最后通过分类器和回归器分别输出每个焊点对应的类别和边界框。2.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster
‑
RCNN的焊点缺陷检测方法,其特征在于:步骤S1具体包括如下子步骤:S11:输入分辨率大小为n1×
n2的PCB图像;S12:对PCB图像进行减均值,除方差,归一化处理;S13:将处理后的PCB图像缩小成分辨率大小为n3×
n4的图像。3.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster
‑
RCNN的焊点缺陷检测方法,其特征在于:步骤S2具体包括如下子步骤:S21:将输入PCB图像经过一次卷积以及一个LayerNormalization层提取特征,得到特征图F1;S22:将特征图F1通过3个block1进行特征提取,并在每个block1通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F1进行升维,再通过GELU、GRN和一次卷积将特征图F1降维得到F1
’
,最后通过残差连接将特征图F1和降维后的特征图F1
’
进行相加得到特征图F1”,并输出到下一层;S23:将特征图F1”通过一个LN层和一次卷积进行下采样并升维,获得特征图F2;S24:将特征图F2通过3个block2进行特征提取,并在每个block2通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F2进行升维,再通过GELU、GRN和一次卷积将特征图F2降维得到F2
’
,最后通过残差连接将特征图F2和降维后的特征图F2
’
进行相加得到特征图F2”,并输出到下一层;S25:将特征图F2”通过一个LN层和一次卷积进行下采样并升维,获得特征图F3;S26:将特征图F3通过3个block3进行特征提取,并在每个block3通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F3进行升维...
【专利技术属性】
技术研发人员:周昌军,林高铭,田尚云,金虎,张志聪,
申请(专利权)人:浙江师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。