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

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。

基于概率势场的无人帆船实时路径规划研究

无人帆船的运动行为受外界风场影响巨大,因此如何规划行进路线,以最快到达目的地,是无人帆船应用中十分重要的难题。为了在可变风场环境下的路径规划中,利用海洋风场所具有的季节性变化规律,以降低航行时间,提出了概率势场(PPF),将风向的规律性变化与其对帆船运动的影响强度相结合,建立空间范围的风向概率势场,在寻求最优路径时,将概率势场作为启发函数的组成因子,以保证算法过程倾向于选择使风向概率势场变大的解。仿真实验表明,与传统实时路径规划算法进行对比,基于概率势场的实时规划算法所得航点,可以提高航行平均速度,显著降低无人船到达目的地所需时间。