一种基于多模型融合卷积神经网络的PCB缺陷图像识别方法

本发明公开一种基于改进卷积神经网络的PCB缺陷图像识别方法。针对现有ResNet50深度卷积神经网络模型的不足，引入名为Res2Net的新型CNN模块，并更改残差连接结构和激活函数，来提高网络多层的非线性扩展能力。基于改进ResNet50模型，融入DenseNet169卷积神经网络，基于多模型提取的图像特征进行融合，并对融合特征输出网络结构进行改进，建立了一种多模型融合的PCB缺陷图像识别的卷积神经网络框架。本发明方法可对不同类型的PCB缺陷图像进行识别，较单一模型具有识别准确率、敏感性高的特点，并且能够实现PCB缺陷类别的自动化和智能化识别。
上海大学
张健滔 | 瞿栋 | 汪鹏宇 | 黄允 | 徐海达