基于机器视觉的炉前PCB贴装器件缺陷检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源以及研究背景和意义 | 第10-12页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题研究的背景和意义 | 第10-12页 |
| 1.2 炉前缺陷检测问题概述 | 第12-13页 |
| 1.2.1 待处理区域的确定 | 第12页 |
| 1.2.2 不同种类神经网络的应用 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 国内研究现状 | 第13-14页 |
| 1.3.2 国外研究现状 | 第14-15页 |
| 1.4 本文主要研究内容及各章节安排 | 第15-17页 |
| 第2章 图像预处理的相关算法 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 图片的滤波操作 | 第17-22页 |
| 2.2.1 中值滤波器 | 第17-18页 |
| 2.2.2 均值滤波器 | 第18-19页 |
| 2.2.3 高斯滤波器 | 第19-20页 |
| 2.2.4 双边滤波器 | 第20-21页 |
| 2.2.5 滤波器的评价 | 第21-22页 |
| 2.3 图片的阈值处理 | 第22-26页 |
| 2.3.1 固定二值阈值化 | 第23-24页 |
| 2.3.2 OTSU算法 | 第24-26页 |
| 2.4 轮廓跟踪算法 | 第26页 |
| 2.5 模板匹配算法 | 第26-29页 |
| 2.5.1 基于灰度值的模板匹配算法 | 第27-28页 |
| 2.5.2 基于组件的模板匹配算法 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 卷积神经网络 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 神经网络的发展 | 第30-31页 |
| 3.3 神经网络的基本结构 | 第31-33页 |
| 3.3.1 神经元 | 第31页 |
| 3.3.2 多层感知机 | 第31-33页 |
| 3.4 卷积神经网络 | 第33-39页 |
| 3.4.1 卷积层 | 第34-37页 |
| 3.4.2 池化层 | 第37-38页 |
| 3.4.3 全连接层 | 第38-39页 |
| 3.4.4 特征面 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 现代神经网络 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 ImageNet挑战赛 | 第40-41页 |
| 4.3 AlexNet | 第41-42页 |
| 4.4 ZFNet | 第42页 |
| 4.5 GoogleNet | 第42页 |
| 4.6 VGGNet | 第42-44页 |
| 4.7 SPPNet | 第44-46页 |
| 4.8 ResNet | 第46-47页 |
| 4.9 FasterR-CNN | 第47-49页 |
| 4.10 SSD | 第49-50页 |
| 4.11 MXNET | 第50页 |
| 4.12 本章小结 | 第50-52页 |
| 第5章 模型训练及实验分析 | 第52-68页 |
| 5.1 图像的采集 | 第52页 |
| 5.2 图像的预处理 | 第52-57页 |
| 5.2.1 二值化处理 | 第53-54页 |
| 5.2.2 Suzuki85轮廓跟踪 | 第54-55页 |
| 5.2.3 Mark点的定位 | 第55-57页 |
| 5.3 芯片图像的获得 | 第57-61页 |
| 5.3.1 SOP16型芯片正样本 | 第59-60页 |
| 5.3.2 SOP16型芯片负样本 | 第60-61页 |
| 5.4 神经网络模型的预训练 | 第61页 |
| 5.5 利用模型对芯片检测 | 第61-62页 |
| 5.6 算法的普适性 | 第62-67页 |
| 5.6.1 SOT89型芯片检测 | 第62-64页 |
| 5.6.2 0402 型封装芯片 | 第64-67页 |
| 5.7 本章小节 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 致谢 | 第77页 |
