10.16257/j.cnki.1681-1070.2023.0081
基于深度学习的电子元件焊点缺陷检测方法
提出一种用于训练掩模区域卷积神经网络(Mask R-CNN)的半自动生成焊点图像掩模的方法.由于传统的通过人工标注获取掩模的方法费时费力,提出了 一种简便快捷的基于GrabCut获取图像掩模的方法.该方法由两个阶段组成:第一阶段为基于GrabCut的焊点图像分割,输出像素级分割结果,从而获得所输入图像掩模;第二阶段实现基于Mask R-CNN的焊点表面缺陷检测方法,可以实现对缺陷的定位、分类和分割.试验结果证实了该方法的有效性,在保证Mask R-CNN方法检测精度的前提下,能快速、简单地获取训练Mask R-CNN所需的焊点掩模.
缺陷检测、深度学习、焊点检测、卷积神经网络
23
TP391.4;TN306(计算技术、计算机技术)
国家重点研发计划;安徽省自然科学基金;安徽省特种重载机器人重点实验室开放基金;安徽高校自然科学研究
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共6页
34-39