面向废线路板拆解的高值电子器件自动识别方法研究

作者：陈从平^*; 徐道猛; 李游; 邓扬; 何枝蔚; 张屹; 戴国洪

来源：三峡大学学报(自然科学版), 2020, 42(02): 87-92.

DOI：10.13393/j.cnki.issn.1672-948x.2020.02.016

• 废线路板
• 高值电子器件
• 识别
• YOLOv3-Darknet62网络模型

针对现有对线路板上电子器件采用自定义特征进行机器视觉识别方法的不足,设计开发了一种基于深度学习的多类高值电子器件自动识别方法,通过对典型YOLOv3网络模型结构进行改进,构造新的YOLOv3-Darknet62网络模型,以提高对多类尺寸、形状差异较大的高值电子器件检出能力.经对网络参数优化、网络训练与实测,结果表明,该方法对所关注的废线路板上6类高值电子器件的平均识别精度高达79.23%,同等条件下识别率明显高于YOLOv2、YOLOv3、Faster-RCNN等深度学习网络的识别率,且较人工定义特征的识别方法具有更好的可移植性.

• 单位
  常州大学; 三峡大学