基于神经网络的压电能量收集器性能预估模型

设计了一款双稳态聚偏氟乙烯（polyvinylidene fluoride,简称PVDF）梁压电振动能量收集器,并介绍了该款收集器结构特点和工作原理。为了解决传统理论模型预测与能量收集器实际输出性能的偏差,利用人工神经网络对其结构参数、激励频率和收集电能之间的非线性关系进行建模。基于误差反向传播训练的多层前馈网络建立了双稳态PVDF梁压电能量收集器的人工神经网络模型。以质量块质量、PVDF压电梁的压缩距离以及外激振力频率作为输入变量,收集器输出电压均方根（root mean square,简称RMS）值作为输出变量,采集了不同条件下压电能量收集器的实验数据。通过将仿真预测结果与实验结果对比,验证了所设计的人工神经网络能有效地预测压电能量收集器的输出特性,且无需复杂的收集器理论建模。     

基于FasterR-CNN的PCB缺陷检测研究

为了快速准确地进行PCB缺陷检测,文中针对常见的PCB缺陷铜面残渣(简称re)和铜面异物(简称fb),利用了Faster R-CNN进行缺陷目标检测.从测试结果可以看出,Faster R-CNN检测模型在PCB缺陷检测中具有良好的检测效果.当阈值为0.5时,有缺陷图片(简称NG图片)的漏检率只有1.73％,无缺陷图片(简称OK图片)的误检率只有5.20％,基本满足了本文的PCB缺陷检测要求.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型.实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98％,验证了该模型对PCB图像识别分类的有效性.