工程论文哪里有？本文采用的目标检测网络是 YOLOv3，根据本文的实验表明，选取的YOLOv3 网络及基于 DenseNet 改进的 D-YOLOv3 网络在电路板缺陷问题上取得了不错的效果，但是本文并没有将 DenseNet 的思想应用于其他网络当中，在未来的研究中，可以将轻量级紧凑型网络 DenseNet 与其他的检测网络相融合，可能在电路板缺陷检测问题上有更好的识别效果。
第 1 章 引言
1.2.1 国外发展状况
在国外，很多研究机构和科研人员在上世纪就开始了数字图像处理技术的研究，在一些发达国家，印刷电路板生产商很早就运用光学和数字图像处理技术来检测电路板缺陷。为此，他们还专门研发出了一种自动进行电路板缺陷检测的设备，这种设备能够大体上检测出缺陷。通常来说，电路板缺陷检测主要分为参考法、非参考法、混合法三种方法。参考比较方法是将测试的 PCB 图像和符合预先设计规范的 PCB 图像进行对比。基于图像比较的方法主要使用图像减法或者异或运算两种方法。图像减法是使用两幅图像逐像素相减，有正像和负像之分。而异或运算是将两幅图像中像素一样的位置变为 0，而将像素不一样的位置变为1，这样就可以轻易地得到缺陷所在的位置。不过，其中误差主要取决于两幅图像之间是否能够精确配齐。如果不能够做到精准配齐，那两幅图像差分或相减后所得的图与实际缺陷的图会有很大的出入，这也会直接导致此方法产生非常差的效果。所以，参考比较方法的难点之处在于两幅图像之间的精准配齐技术。
AAIM[28]提出了一种基于 SURF 特征和形态学运算的 PCB 自动缺陷检测实时方法，该方法提出的重要性在于它能够为各种 PCB 中的所有可能的组件建立特征描述符的字典。设计规则检测作为一种裸露 PCB 的自动检测算法，已被自动化视觉检测系统制造商提出并广为熟知。M Cacciola[29]认为使用涡流技术对导电材料进行实时无损检测和评估变得越来越重要，就提出了一种利用巨型磁阻(GMR)传感器检测印刷电路板的 ECT-NDT 系统的实时应用，并认为该系统特别适合在高密度裸露 PCB 上进行缺陷检测。Ji-Deok Song[30]和 YG Kim[31]对 PCB的缺陷进行了分类，其他算法仅集中于 PCB 缺陷检测，在缺陷检测中，知道缺陷的类型同样重要。然而，在缺陷分类中，需要获得每个缺陷的类型。首先，Ji-Deok Song 提出了一种基于区域分割和颜色特征提取的焊点检测方法，通过检查程序对各种类型的焊点进行分类。在特征提取阶段，将焊点图像划分为几个子区域，然后从几个子区域中提取各种颜色特征。最后通过训练从多个样本中提取的颜色特征来生成分类器。
第 3 章 基于边缘检测的电路板缺陷识别算法的提出
3.1 缺陷类型
在工厂的实际生产过程中，电路板会出现各种各样的缺陷类型，本文主要研究比较常见的电路板缺陷类型，常见的缺陷类型有六种，主要包括缺孔(missing hole)、鼠咬(mouse bite)、开路(open circuit)、短路(short)、杂散(spur)、假铜(spurious copper)。在图 3.1 至图 3.6 中，分别展示了六种类型缺陷样例图。其中，每张图片中有左、右两张小图像，右边图像是将左边图像缺陷区域进行放大并框选缺陷所产生的图，这样做的原因是便于清晰地展示缺陷类型。
第 5 章 基于目标检测的电路板缺陷识别算法的改进
5.1 轻量级网络
在对电路板缺陷进行识别的过程中，基于 YOLOv3 算法的识别准确率尚可，不过时间花费的比较久，本实验拟在 YOLOv3 主干网引入更轻量级网络，减少模型参数，加快模型训练的速度。此外，本实验研究的是电路板上的缺陷问题，缺陷属于小目标物体，YOLOv3 虽然相对于 YOLOv1、YOLOv2 在提高小物体识别效率上提升了不少，但精确度还不够，本文算法在原有的 YOLOv3 网络的基础上进行了一系列改进。主要思想是在原始 YOLOv3 的主干网 DarkNet53 结构中引入紧凑型网络 DenseNet，将其中一些层的残差结构改换成了 Dense Block模块，这不仅使得整个网络更加紧凑，还加强了层与层之间的特征复用，进一步利用一些浅层信息。同时缓解深度卷积神经网络在特征传播过程中的梯度消失问题，对电路板的缺陷识别问题有很好的检测效果。
随着卷积神经网络的快速发展，为了提升精度，研究人员加深了卷积神经网络和模型的复杂度，使得卷积神经网络的识别精度达到最大化。然而更深的层数、更复杂的模型也就加大了模型的计算量，这会极大地降低运行速度与网络效率。在硬件设备上也是一个很大的考验。在此基础上，轻量级网络被提了出来，在保证精度不失的情况下，更快地对网络进行训练。
轻量级卷积神经网络主要是在保证精度不失的情况下，模型减少了大量的参数，相应地减少了很多卷积运算，同时也对计算量进行高效利用，从而使得整个模型训练的速度相比其他网络加快了许多，这也是如今轻量级网络比较受欢迎的原因[72]。
DenseNet 是一款优秀的网络，其中的 dense connection 不但可以让开发者使得特征更强大，还可以给开发者带来一个较快的归纳和收敛。并且 DenseNet 具有相对于 ResNet 更小的参数，在测试过程中可以拥有较快的运行速度。
5.2 DenseNet 网络结构分析
DenseNet[73]结构在 CVRP2017 论文评选中被认为是最为优秀的，该网络主要提出了一种较为优秀的 shortcut 方式。网络的核心结构为如下所示的 Dense 块，在每一个 Dense 块中，存在多个 Dense 层，即下图所示的 H1～H4。各 Dense 层之间彼此均相互连接，即 H1 的输入为 x0，输出为 x1，H2 的输入即为[x0, x1]，输出为 x2，依次类推。最终 Dense 块的输出即为[x0, x1, x2, x3, x4]。这种结构非常类似生物学里边的神经元连接方式，能够有效地提高网络中特征信息的利用效率。
DenseNet 网络想要更少的参数，所以作者提出对 DenseNet 重新设计，DenseNet 将现有网络中的每一层都直接与其前面的层进行直接相连，实现对网络特征的各种多层次重复和综合利用；同时将现有网络的各个特征层次设计得非常狭窄，也就是说只需要学习极为罕见的网络特点和特征图形，就能达到减少冗余度的设计目标。DenseNet 网络极大地改善了应用图像梯度信息以及图像梯度在网络中的信息转换，使得网络模型训练更加轻松。Dense Connection 还具有一种正则数量化的模拟效果，可以大大减少在小型机器训练数据集上的许多模拟参数组合。
第 6 章 总结与展望
6.2 进一步工作的方向
(1) 本文是鉴于 DenseNet 思想改进的 YOLOv3 网络，对 YOLOv3 模型引进其他一些轻量级的网络并没有做更多的实验，后续可以从其他分类方法中得到一些更好的启发，更好地对 YOLOv3 网络进行改进，以选取适合于电路板缺陷的小目标物体检测的网络。
(2) 本文采用的目标检测网络是 YOLOv3，根据本文的实验表明，选取的YOLOv3 网络及基于 DenseNet 改进的 D-YOLOv3 网络在电路板缺陷问题上取得了不错的效果，但是本文并没有将 DenseNet 的思想应用于其他网络当中，在未来的研究中，可以将轻量级紧凑型网络 DenseNet 与其他的检测网络相融合，可能在电路板缺陷检测问题上有更好的识别效果。
(3) 本文的数据集采集的是北大机器人开放实验室的数据集，然而存在数据量不足、考虑的缺陷类型少等问题。由于没有多种数据集，所以本文所有的工作都是在该数据集上进行研究，并没有在多种数据集上进行实验，可能会出现模型在其他数据集表现不好的情况，所以网络的泛化能力有待进一步的提高。
(4) 如今比较流行的深度学习的框架虽然极大地提高了解决问题的能力，比如在电路板缺陷识别问题上，精确度和速度都提高了，但是深度学习的网络模型的参数量非常的多。为了让网络模型进一步优化，研究人员就需要对模型的各种参数进行调试，但大多数的调试都依赖于研究人员以往的经验。不同的人可能会训练出截然不同的效果，对于有以往经验的研究人员来说，可能会训练出特别好的模型，而对于那些毫无经验的新手来说，训练出的网络模型往往都不会让人很满意，所以这是一个亟待解决的问题。不过也有研究者在对网络本身进行研究，如何训练出更好的模型参数，使得它所训练出的效果最好。但这方面的研究还不成熟，希望未来在这一方面可以进一步优化。
参考文献（略）
