在GA-Faster-RCNN网络中通过引导盒改进检测灵活印刷电路上的表面缺陷
Xiaole Shen1, Yunlong Xing1, Jinhui Lu1
1College of Big Data and Internet, Shenzhen Technology University, Shenzhen, Guang Dong, China.
PloS one
|December 5, 2023
概括
本研究引入了一种新的灵活印刷电路板 (FPC) 缺陷检测方法,使用GA-Faster-RCNN的引导盒改进方法. 增强网络显著提高了FPC表面缺陷识别的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 工业缺陷检测对于制造质量控制至关重要.
- 传统的检查方法往往具有较低的准确性,尤其对于复杂的表面.
- 深度学习,特别是卷积神经网络 (CNN),为计算机视觉任务提供了先进的解决方案.
研究的目的:
- 为柔性印刷电路板 (FPC) 表面开发精确的缺陷检测算法.
- 解决FPC表面检测小缺陷和极端尺寸比的缺陷的挑战.
- 在Faster-RCNN框架内提高缺陷检测的精度和效率.
主要方法:
- 提出了一种与GA-Faster-RCNN网络集成的指导盒改进方法.
- 改进了界限框预测,以提高FPC表面缺陷的检测能力.
- 采用实验验证来评估开发算法的性能.
主要成果:
- GA-Faster-RCNN网络实现了91.1%的高检测准确率.
- 与基线模型相比,检测准确度有8.5%的改善.
- 成功解决了与检测小和高比例缺陷相关的挑战.
结论:
- 拟议的GA-Faster-RCNN带有引导盒改进的 GA-Faster-RCNN 对于FPC表面缺陷检测是有效的.
- 该方法在传统算法和基线深度学习模型中提供了显著的进步.
- 这种方法提高了电子制造业自动化视觉检查的可靠性和效率.
