400-003-5559
EN
×
深度学习电解电容识别与极性检测
电解电容作为印刷电路板的重要极性元器件之一，起到滤波和耦合的作用。目前许多工厂仍采用人工目检的方式来检测电解电容的极性方向，然而这种方式效率低，成本高，并且随着劳动时间的增长，检测人员会感到视觉疲劳导致其检测的正确率降低。
近年来，随着计算机视觉的发展，基于卷积神经网络的检测
方法被应用到 ＰＣＢ 的各项检测任务中。Lin Y L等人提出了一种基于 YOLO 算法的 PCB 组件的电容检测方法。Susa J等人提出了一种利用 YOLOｖ3 检测电路板上电容的方法，该方法总体精度为93.33 ％ 。LiJ等人提出一种改进 YOLOｖ3 的算法，实现了电解电容的检测，精度达到 93.07 ％ 。然而，上述方法均是对电容的检测识别，并未涉及到极性检测。目前，对于电容极性判断的方法分为传统视觉识别方法和机器学习融合算法。
检测方案设计
本文电容识别与极性检测方案如图 １ 所示，算法总体设计共分为 ３ 个部分。
首先，提出一种改进的 YOLOｖ5算法对电容进行识别定位，同时提取电容感兴趣区域；然后，利用语义分割模型对电容极性区域以及基圆区域进行分割，如图 ２ 所示；最后，对分割结果进行形态学处理得到电容的极性方向。
改进的 YOLOｖ5算法YOLOｖ5 网络结构主要包括 ４ 个部分：输入层、 主干层、颈部和预测头部。本文对 ＹＯＬＯｖ５ 算法的改进分为 ２ 个方面，首先在主干网络的 Ｂackbone中融合 ＳwinTransformer 模块［以提高模型的特征提取能力；其次在主干网络Neck网络中，使用双向特征金字塔网络（来进行特征融合。改进后的网络模型如图 ３ 所示。
首页
产品中心
关于我们
一键呼我
回顶