基于深度学习的极性电子元器件目标检测与方向识别方法

摘要：

极性电子元器件的类别、方向识别、定位在工业生产、焊接和检测等领域发挥着至关重要的作用.本文首先将极性电子元器件的方向识别问题转化为一个分类问题,然后,采用Faster RCNN(Region convolutional neural network)与YOLOv3方法实现了极性电子元器件的准确分类、方向识别和精准定位.实验取得良好的效果,两种算法的平均准确率(Mean average precision,mAP)分别达到97.05％、99.22％.此外,我们通过数据集目标框的长宽分布,利用K-means算法对Faster RCNN和YOLOv3的Anchor boxes进行了改进设计,使准确率分别提高了 1.16％、0.1％,并提出针对大目标检测的网络结构:YOLOv3-BigObject,在提高准确率的同时,将检测单张图片的时间大幅缩减为原来检测时间的一半,并最终用焊接有元器件的电路板进行检测,得到了很好的实验结果.

关键词：电子制造;深度学习;方向识别;目标检测;Faster RCNN

所属期刊栏目：47

资助基金：国家自然科学基金61673126,61703114,U1701261,U1701264

在线出版日期：2021-08-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1701-1709