基于边界注意力引导微调的PCB CT图像元件细分模型

科学领域:

• 计算机视觉 计算机视觉
• 非破坏性测试 不破坏性测试
• 图像细分 图像细分

背景情况:

• 计算机断层扫描 (CT) 对于印刷电路板 (PCB) 的非破坏性测试至关重要.
• 由于灰度不一致性和层透,PCBCT图像中的元素细分具有挑战性,导致边界不准确.
• 现有的预训练和微调方法与这些图像工件作斗争,影响语义理解.

研究的目的:

• 为了解决PCBCT图像元件分段的局限性,特别是边界定义差.
• 提高PCBCT分析中元素分割的准确性和可靠性.

主要方法:

• 针对PCB CT图像元件细分,提出了一种新的边界注意引导微调模型 (BAG-FTseg).
• 一个改进的边界检测算法增强了模型感知元素边界的能力.
• 一个注意力特征融合模块有效地集成边界特征,使用注意力机制来改善细分.

主要成果:

• 拟议的BAG-FTseg模型在PCB CT数据集上实现了89.5%的欧盟交叉点 (mIoU) 的平均值.
• 该模型显示,与基线模型相比,整体mIoU的改善率为0.9%.
• 边界特定的mIoU达到69.5%,比基线显著增加5.3%,突出显示了改善的边界细分.

结论:

• 开发的方法提高了PCB元素边界细分的准确性.
• 注意力机制提高了特征融合效率,有助于PCB分析的实际进展.
• 这种方法为PCB的非破坏性测试和质量控制提供了显著的实际价值.