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。

基于NVIDIA TX2的喷码字符检测算法

针对复杂商品背景下喷码字符漏喷、重叠、缺失等现象,提出一种基于YOLOv5+CRNN的喷码字符检测算法。喷码字符定位算法以YOLOv5为基础网络,结合注意力机制提高其检测精度,再通过稀疏训练和通道剪枝降低模型参数量与复杂度,最终检测精度提高了3.4个百分点,模型参数量降低了6.7 MB。对定位后的字符区域进行背景擦除和透视变换处理后送入CRNN网络实现喷码字符识别,最终将改进后的算法部署至NVIDIA TX2嵌入式平台。通过在食品包装工厂生产流水线实测,检测速度达到28 frame/s,字符定位精度99.4%,识别率95%,且具有很好的鲁棒性。