为了研究基于深度学习的电路板元器件目标检测及标识字符识别技术,解决电子设备检测与维护中的自动识别与分类问题。本文提出改进的YOLOv5(you only look once version 5)网络用于电路板元器件识别,包括结构设计、轻量化网络以及特征融...为了研究基于深度学习的电路板元器件目标检测及标识字符识别技术,解决电子设备检测与维护中的自动识别与分类问题。本文提出改进的YOLOv5(you only look once version 5)网络用于电路板元器件识别,包括结构设计、轻量化网络以及特征融合策略。同时,利用卷积循环神经网络(convolutional recurrent neural network,CRNN)实现电路板元器件标识识别,包括框架设计、算法改进等。开展多项实验,分析其效果与性能。通过MobileNet v3、ShuffleNet v2和Ghostnet等轻量化网络改进YOLOv5,实现了高效元器件识别;通过双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)特征融合策略进一步提升识别性能。实验显示,该改进网络在电路板元器件检测中具有优异表现。利用CRNN及其改建算法,对电路板标识进行准确识别,实验结果验证了其有效性。基于深度学习的电路板元器件目标检测及标识字符识别技术取得了显著成果,证明了改进网络及策略的有效性与适用性。展开更多
文摘为了研究基于深度学习的电路板元器件目标检测及标识字符识别技术,解决电子设备检测与维护中的自动识别与分类问题。本文提出改进的YOLOv5(you only look once version 5)网络用于电路板元器件识别,包括结构设计、轻量化网络以及特征融合策略。同时,利用卷积循环神经网络(convolutional recurrent neural network,CRNN)实现电路板元器件标识识别,包括框架设计、算法改进等。开展多项实验,分析其效果与性能。通过MobileNet v3、ShuffleNet v2和Ghostnet等轻量化网络改进YOLOv5,实现了高效元器件识别;通过双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)特征融合策略进一步提升识别性能。实验显示,该改进网络在电路板元器件检测中具有优异表现。利用CRNN及其改建算法,对电路板标识进行准确识别,实验结果验证了其有效性。基于深度学习的电路板元器件目标检测及标识字符识别技术取得了显著成果,证明了改进网络及策略的有效性与适用性。
