基于深度学习的电路面板元件检测研究

对电路面板的元器件识别,可大量减少人工成本和时间,避免因人为主观因素而产生不合格样品。根据应用场景要求,提出ResNet50融合EfficientNet的骨架网络方法。该方法增强了物体检测的语义信息,有效解决多尺度检测问题,对各类尺度检测问题有着更好的识别效果。通过骨架网络的特征提取后,加载到双向FPN(Bi-Feature Pyramid networks)层再进行更深层次的特征提取,将高语义特征和浅层的定位特征进行融合。实验结果表明,使用该构建的融合模型,具有精确率高、检测图片的帧率高、鲁棒性好的优点,具有良好的泛化能力。

保险丝线圈字符识别技术研究

针对保险丝线圈字符在采集过程中曝光过度含有大量的噪声以及线圈字符被压缩情况,使用投影法结合字符先验知识进行字符分割,并将膨胀之后的清晰字符用于LeNet网络识别。在识别中,将线圈中每个字符进行标注训练,使用改进的Faster R-CNN定位作识别,改进的部分为替换Backbone、寻找最佳Anchor参数、将RoI Pooling替换成RoI Align和设计损失函数。对比未改进网络和其他网络,实验结果表明,改进后的网络字符识别率达99.91%,具有良好的鲁棒性和泛化能力,对光学字符识别具有一定的推广和借鉴价值。