研究目的
为应对AOI高精度缺陷检测中人工创建大型标注训练数据库的挑战，提出一种可降低标注工作量的主动学习框架。
研究成果
该框架在缺陷分类中实现了高精度，同时有效降低了标注成本，优于基准方法。它具有工业应用潜力，但需要扩展至多类缺陷检测。
研究不足
该方法目前是一个二元分类器（合格与不合格），无法检测特定类型的缺陷。它依赖于预分割的图像，可能会受到聚类不准确的影响。
1：实验设计与方法选择：
本研究采用结合K均值聚类与支持向量机分类的主动学习框架，通过预训练VGG-16模型进行迁移学习以提取特征，并应用主成分分析进行降维处理。
2：样本选择与数据来源：
使用两个数据集——焊锡不足样本（2,610个阳性样本和2,427个阴性样本）与焊锡偏移样本（1,276个阳性样本和1,267个阴性样本），数据源自自动光学检测系统。
3：实验设备与材料清单：
采用彩色相机与三色分层照明系统进行图像采集，但未提及具体型号。
4：实验流程与操作步骤：
将图像尺寸调整为224x224x3，通过VGG-16提取特征后经PCA降维，采用K均值聚类，并通过主动学习与半监督学习迭代步骤训练支持向量机分类器。
5：数据分析方法：
基于分类准确率、曲线下面积及错误率评估性能，使用MATLAB和LIBSVM实现分析。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
VGG-16
VGG-16
Used as a pre-trained convolutional neural network model for feature extraction in the image classification task.
-
LIBSVM
A library for implementing support vector machines, used for training the SVM classifier in the proposed method.
-
MATLAB
MathWorks
Used for implementing the K-means algorithm and other computational tasks in the experiment.
-
color camera
Used for capturing images of PCBs in the AOI system.
-
three-color tiered illumination system
Designed based on reflection patterns to record 3D-shape information of solder joints during image capturing.
-
登录查看剩余3件设备及参数对照表
查看全部
