CN114897845B 一种基于模型压缩的pcb板缺陷检测方法 （南京理工大学）_第1页
CN114897845B 一种基于模型压缩的pcb板缺陷检测方法 （南京理工大学）_第2页
CN114897845B 一种基于模型压缩的pcb板缺陷检测方法 （南京理工大学）_第3页
CN114897845B 一种基于模型压缩的pcb板缺陷检测方法 （南京理工大学）_第4页
CN114897845B 一种基于模型压缩的pcb板缺陷检测方法 （南京理工大学）_第5页
已阅读5页，还剩17页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明公开了一种基于模型压缩的PCB板缺压缩网络进行缺陷检测，并对输出的检测框筛模型的参数量与计算量的同时保持了原有网络2步骤S2：设计轻量特征提取模块，将其替换YOLOv5网络步骤S5：通过步骤S4训练的压缩网络进行PCB板缺陷检测，并对输出的检测框进行筛所述步骤S2具体包括：通过Ghost卷积模型替换YOLOv5网络中C3模块BottleNeck的卷S4-3：通过PCB训练样本特征的特征提取后的特征图的空间注意力矩阵生成空间注意S4-4：通过PCB训练样本特征的特征提取后的特征图的通道注意力矩阵生成通道注意S4-7：通过S4-5步骤提取的特征图的全局语义信息计算压2.根据权利要求1所述的基于模型压缩的PCB板S1具体包括：对原始PCB缺陷数据集进行随机裁剪形成600×600的图片并更新对应标注的3.根据权利要求1所述的基于模型压缩的PCB行多尺度融合的处理过程包括：采用上采样自上而下地对不同尺度的特征进行多尺度融5.根据权利要求1所述的基于模型压缩的PC36.根据权利要求1所述的基于模型压缩的PCB板缺陷7.根据权利要求5所述的基于模型压缩的PC8.根据权利要求1所述的基于模型压缩的PCB板缺4法的专利公开了一种基于改进YOLOv5算法的PCB缺陷检测方法，通过自适应特征融合以及种基于卷积神经网络的PCB板缺陷检测算法的专利公开了一种基于卷积神经网络的PCB缺缺陷检测模型平均检测精度(mAP)的同时实现模型参数(Parameters)以及计算量(FLOPs)[0010]进一步地，所述步骤1具体包括：对原始PCB缺陷数据集进行随机裁剪形成600×5[0013]进一步地，所述步骤2具体包括：通过Ghost卷积模型替换YOLOv5网络中C3模块[0017]S4-3：通过PCB训练样本特征的特征提取后的特征图的空间注意力矩阵生成空间[0018]S4-4：通过PCB训练样本特征的特征提取后的特征图的通道注意力矩阵生成通道6原有PCB缺陷检测模型平均检测精度(mAP)的同时实现模型参数(Parameters)以及计算量7个锚框的置信度、预测框坐标以及用于分类的输出向量，通过非极大抑制(NonMaximum[0057]B4：将步骤1中训练集PCB缺陷样本作为训练数据，对B1至B3步骤搭建的基于r与Wr分别代表真实框即前景区域r的高度和宽度，Nbg表示背景掩模的像8块压缩后的YOLOv5n模型作为学生网络。将学生网络与教师网络的特征融合部分的特征图理结果分别进行步骤D1至步骤D8的蒸馏损失计算进行知识9能够在保持原有PCB缺陷检测模型平均检测精度(mAP)的同时实现模型参数(Parameters)

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论