基于多分类支持向量机算法的PCB焊点检测研究

针对PCB焊点检测分类的应用需求,采用基于机器视觉的"图像特征+分类器"的技术方案,研究总结了焊点图像特征提取方法,并采用多分类支持向量机算法实现焊点分类;在检测算法具体实现上,综合考虑多类别样本空间均衡、类间离散程度以及分类器数量,在算法性能、分类器训练与分类执行效率3方面取得平衡。实验结果表明,该检测方法对焊点类型的正确识别率达到了97.9%,证明了方法的有效性。     

基于改进SOLOv2的金丝球焊焊点检测方法

为实现对金丝球焊焊点的精确检测,提出了一种基于改进SOLOv2网络的金丝球焊焊点检测方法。该方法以SOLOv2网络为主体框架,设计了一种孪生结构编码器,可以同时输入同轴光图像和低环光图像并准确提取焊点特征。在SOLOv2网络结构中将编码器同一层级的特征图通过跳跃连接建立同轴光图像和低环光图像之间的特征联系,实现了图像特征信息互补以及焊点检测准确率的提高。通过孪生结构隔离开同轴光图像和低环光图像特征提取模块的权重参数,避免编码器权重参数在训练过程中偏向于某一种光照场景,提高了网络的泛化能力。改进后的SOLOv2网络在测试集上的交并比IoU和F1-score值分别提升了0.021 9和0.013 7,并且使用在COCO数据集上的预训练权重来初始化编码器,以加速网络的收敛。相对于语义分割网络,SOLOv2网络也能够有效解决黏连焊点特征提取问题,满足实际检测需求。     

基于模式匹配及其参数自适应的PCB焊点检测算法

为了提高在线自动光学检测(AOI)系统检测印刷电路板(PCB)焊点的准确率和速度,对PCB焊点进行了研究。通过研究由特定结构光源和3CCD彩色相机获取的PCB焊点图像,基于常见的良品、多锡、少锡、假焊等焊点类型,提取焊点图像关键子区域的面积特征,在此基础上,建立了五种焊点类型的特征矩阵模型,并根据同类焊点相似程度最大为原则设计了检测焊点的模式匹配算法。此外,本文还给出了一种参数自适应方法对各检查项所用到的阀值参数进行学习与校正。在实验研究中,对含有1040个Chip焊点的PCB进行了检测,结果显示本文所提算法对焊点检测的准确率可达96.5%,检测所用时间为9秒。研究结果表明,本文算法具有较高检测准确率和检测速度。     

基于S变换和人工神经网络的电能质量扰动识别

本文提出了一种基于S变换和人工神经网络的电能质量扰动识别方法.首先通过S变换对电能质量扰动信号进行时频分析,实现了各种扰动的有效检测,然后对该检测输出信号进行特征提取,得到包含扰动时频特性的训练和测试样本集,并运用人工神经网络进行扰动训练识别,最终实现电能质量扰动信号的自动分类.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动.     

一种三维CAD模型自动语义标注算法

针对三维CAD模型检索中的语义鸿沟问题,提出一种基于局部形状分布及语义概率统计的三维CAD模型自动语义标注算法.采用基于局部形状分布的多尺度特征提取方法获取CAD模型的形状信息,并计算不同模型之间的形状相似度;根据模型样本库中已知的语义分类信息,构建一个基于概率的标注框架对CAD模型进行语义标注,以建立模型形状信息和语义信息之间的联系.实验结果表明,该算法能够有效提高三维CAD模型检索的准确率,检索性能优于仅使用形状信息时的检索结果.     

印刷电路板无铅焊点假焊的检测

通过分析由三色LED环形结构光源和3-CCD彩色相机获取的印刷电路板(PCB)焊点图像特征,设计了一种PCB无铅焊点假焊的检测方法,以提高自动光学检测系统检测焊点质量的准确率,降低误判.该方法通过对焊点及其元器件的定位,采用重心法检测假焊;根据焊点及元器件的边缘确定焊点区域及元器件区域,采用面积法二次检测假焊;最后,采...     

基于特征提取与选择的气体识别研究

在电子鼻系统中,特征提取和选择以及分类模型都是其性能改进的关键。针对从传感器阵列中提取单一特征时会忽略传感器特异性的问题,提出基于相关性分析来选择每一个传感器最优的特征提取方法,组成最优特征向量进行气体识别,实验表明：通过该方式提取的特征向量在分类模型中表现更好,在各模型的平均识别准确率提升了0.027,其中支持向量机和人工神经网络提升效果最明显,分别提升了0.031和0.054。并根据模型特性和实际需求,提出逻辑回归与支持向量机结合的二次分类模型,实验表明该模型能够进一步提高分类准确率,降低具体气体检测场景中辨别气体错误的风险。     

PCB焊点表面三维质量检测方法

为了提高炉后印刷电路板(PCB)焊点质量检测过程的效率、精确度和可靠性,提出了一种单目视觉三维检测方法。首先对已知高度的焊锡表面进行灰度标定,并通过实验获取焊锡材质的相关参数;然后基于建立的光照反射模型推导出高度计算方程,结合标定所得参数,计算初始点的高度;最后基于高度计算方程逐像素迭加获取焊点表面的高度信息,还原焊点表面三维形貌。基于所提方法进行实验表明,电容焊点最长检测时长均小于0.5 s,集成电路焊点最长检测时长均小于1.5 s;与激光三角法的测量结果比较发现,在相同位置采样的实际高度范围为0.436~1.601 mm的10组测量点中,其最大误差为0.119 mm,与实际高度的偏差小于±4%,测量精度达到0.12 mm级别。实验分析结果验证了方法的有效性。     

印刷电路板焊点的智能检测

为了提高在线自动光学检测系统(AOI)的自动化程度,提出了一种基于增量聚类的智能焊点检测方法.首先,设计了在线智能AOI的系统框架.然后,根据焊点外观进行归纳分类,将关键子区域的面积特征应用于焊盘特征的量化与提取,将每类样本聚类为若干子类从而实现对多批次焊点的检测.最后,提出一种增量聚类算法,在线检测过程中系统可根据人...     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

Support vector machines combined with wavelet-based feature extraction for identification of drugs hidden in anthropomorphic phantom

A new recognition method of Support Vector Machines (SVMs) combined with wavelet-based feature extraction is proposed for identifying drugs hidden in human body. Preliminary data sets of eight kinds of samples are acquired by a home-built instrument using energy-dispersive X-ray diffraction (EDXRD) technology in a short detection time. Small sample size, poor signal-to-noise ratio (SNR) and high dimension of data make drugs identification a challenging problem. In this paper, the potential effective method solves the problem well. The spectral signal with poor SNR is obtained and processed with wavelet for feature extraction and then the wavelet coefficients are used as the inputs of SVMs. A multi-classifier of SVMs based on binary tree architecture (SVMs-BAT) is trained. The method of SVMs-BAT combined with wavelet-based feature extraction (WSVMs-BAT) is firstly compared with two methods: one is single SVMs-BAT which uses original data as inputs without preprocessing, the other is SVMs-BAT combined with feature extraction based on principal component analysis (PCA-SVMs-BAT). The high identification accuracy of WSVMs-BAT indicates that the method of feature extraction using wavelet can effectively represent the original data better. Then the recognition result of the proposed method is also compared with artificial neural network (ANN) and K-nearest neighbor (KNN) methods. Our findings show that the proposed method combined with EDXRD technology provides a good access to achieve the aim of automatic identification of illicit drugs.     

基于CNN的高速铁路侵限异物特征快速提取算法

高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性,提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题,提出简化的全连接网络结构;针对准确率因简化网络结构而下降的问题,提出将卷积层的卷积核进行预先训练;最后为防止因全连接而导致的对称性特征提取,提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络,在保证准确率的基础上加快了计算速度,同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s,准确率为99.5%。     

基于simple γ模型的各种CRT色空间变换方法

采用基于simple γ模型色空间变换基础上的多项式拟合、三维查找表和神经网络的方法,建立设备颜色空间RGB与输出CIEXYZ色空间的非线性对应关系,完成了设备颜色显示的特征化。并分别与多项式拟合、三维查找表和神经网络的方法做比较,发现基于simple γ模型的色空间变换的各种方法,都对原方法在色差精度上有所提高。其中simple γ模型变换的神经网络方法最具优势,CIELab平均色差小于~2.8。     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波 波场分析方法. 首先,以 VGG-Net 网络为框架,建立了基于 VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的 导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得 了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型 能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在 67% 以上,损伤形貌的可视化效果好。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于卷积神经网络的热轧钢条表面实时缺陷检测

热轧钢条的表面质量对成品至关重要,因此必须要严格控制热轧钢条的表面出现的缺陷。 针对当前 YOLOv4 算法检测 精度不高、对小范围信息表现较差等问题,提出一种改进 YOLOv4 自动检测方法。 首先,将 YOLOv4 中特征提取网络 CSPDarknet53 换为轻量级深层神经网络 MobileNetv3 来提高检测速度,并且加强对检测目标特征提取以及减少梯度消失问题。 其次,采用 K-Means 聚类生成适合本实验的先验框,有效提高学习效率,加快收敛速度。 最后,对置信度损失进行重新定义,提 出一种能够适应多尺度的损失函数,来解决因正负样本不平衡而导致检测效果差的问题。 实验结果表明,该方法较原 YOLOv4 模型在热轧钢条的表面缺陷检测上的均值平均精度值提高约 7. 94% ,速度提升约 4. 52 f / s,在保证检测速度的基础上有效提高 了精确度。     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因。低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高。针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法。该方法将采集到的不同种类负载的电流时间序列按照半周期截取,然后进行归一化处理,将灰度矩阵变换生成电弧故障及正常工作的二维图像;利用卷积神经网络提取电弧故障的灰度变换特征;通过全连接层拟合计算下采样信息实现电弧故障卷积特征的识别。验证表明,所提方法对电弧故障的识别率达到99.67%,优于传统卷积神经网络,具有良好的泛化性能。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于残差收缩网络的睡眠脑电分期

现有睡眠分期方法存在特征提取不充分、类别间存在数据不平衡等问题，导致睡眠分期的精度不高。基于残差收缩网络设计高效的特征提取网络，同时，在损失函数中基于重加权思想设计了类别加权损失函数，通过调整损失函数有效解决了数据不平衡对分类精度的影响。实验结果表明，改进算法在Sleep-EDF数据集中的Fpz-Cz、Pz-Oz通道上，准确率分别为85.4%和82.2%,MF₁分别为79.6%和75.4%,均高于基准算法和目前先进的对比算法，证明了算法的有效性和先进性。     

基于多分量卷积神经网络的多晶硅晶片颜色差异检测

具有复杂纹理的多晶硅晶片颜色差异检测是太阳能电池片制造过程中的一个挑战。针对传统的色差检测算法不适用于颜色差异类别变化大的场合,且分类结果不精确的问题,基于不同分量的颜色特征提出了一种多分量卷积神经网络的检测算法。通过分析多晶硅晶片图像在HSV颜色空间的特征分布,发现颜色特征在H、S和V分量中表现不同;基于全卷积神经网络,通过评估模型深度和卷积核尺寸大小对检测结果的影响来搭建最佳的网络结构;为了增强对不同颜色差异特征的区分能力,基于最佳的网络模型,构建了一个多分量的卷积神经网络模型。实验结果表明,多分量卷积神经网络的准确率、MCC值和F1Score值分别为92.28%、95.45%和94.03%,相比其他算法具有更高的检测精度。