基于孪生深度特征融合残差网络的PCB缺陷分类模型
在电子工业领域中,印刷电路板(printed circuit board,PCB)缺陷检测已经变得越来越重要.PCB的部分微小损伤或者不规则损伤与其密集复杂的排线等视觉纹理信息高度相关.传统卷积神经网络提取特征向量,容易丢失纹理特征等中级视觉特征信息,导致对于细微损伤和不规则损伤的检测效果不明显.针对这一问题,提出了基于孪生深度特征融合残差网络(Siamese deep feature fusion residual network)的PCB损伤分类模型.模型的骨干网络采用ResNet50.特征提取阶段将纹理信息等中级视觉特征和神经网络最终输出的高级语义特征融合为一个32维的特征向量.两个特征的向量的相似性用L2距离表示,用于判断PCB是否有缺陷.在训练阶段应用了三元损失和交叉熵损失,多个损失函数的组合提高了网络的准确性.通过实验验证了模型的有效性,在测试数据集上的准确率达到了(95.42±0.31)％的准确率,实现了模型在PCB缺陷分类检测的可行性.
孪生网络、残差网络、特征融合、缺陷分类、印刷电路板(PCB)
32
TP391;TP183;TM572.2
国家自然科学基金;智能地学信息处理湖北省重点实验室开放基金
2023-05-15（万方平台首次上网日期，不代表论文的发表时间）
共8页
188-195
