400-003-5559
EN
×
深度學習電解電容識別與極性檢測
電解電容作為印刷電路板的重要極性元器件之一，起到濾波和耦合的作用。目前許多工廠仍采用人工目檢的方式來檢測電解電容的極性方向，然而這種方式效率低，成本高，并且隨著勞動時間的增長，檢測人員會感到視覺疲勞導致其檢測的正確率降低。
近年來，隨著計算機視覺的發展，基于卷積神經網絡的檢測
方法被應用到 ＰＣＢ 的各項檢測任務中。Lin Y L等人提出了一種基于 YOLO 算法的 PCB 組件的電容檢測方法。Susa J等人提出了一種利用 YOLOｖ3 檢測電路板上電容的方法，該方法總體精度為93.33 ％ 。LiJ等人提出一種改進 YOLOｖ3 的算法，實現了電解電容的檢測，精度達到 93.07 ％ 。然而，上述方法均是對電容的檢測識別，并未涉及到極性檢測。目前，對于電容極性判斷的方法分為傳統視覺識別方法和機器學習融合算法。
檢測方案設計
本文電容識別與極性檢測方案如圖 １ 所示，算法總體設計共分為 ３ 個部分。
首先，提出一種改進的 YOLOｖ5算法對電容進行識別定位，同時提取電容感興趣區域；然后，利用語義分割模型對電容極性區域以及基圓區域進行分割，如圖 ２ 所示；最后，對分割結果進行形態學處理得到電容的極性方向。
改進的 YOLOｖ5算法YOLOｖ5 網絡結構主要包括 ４ 個部分：輸入層、 主干層、頸部和預測頭部。本文對 ＹＯＬＯｖ５ 算法的改進分為 ２ 個方面，首先在主干網絡的 Ｂackbone中融合 ＳwinTransformer 模塊［以提高模型的特征提取能力；其次在主干網絡Neck網絡中，使用雙向特征金字塔網絡（來進行特征融合。改進后的網絡模型如圖 ３ 所示。
首頁
產品中心
關于我們
一鍵呼我
回頂