350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №1 за 2021 г.
Статья в номере:
Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов
DOI: 10.18127/j19998554-202101-03
УДК: 681.142
Авторы:

А. Е. Аверьянихин, А. И. Власов, Е. В. Евдокимова кафедра ИУ4 «Проектирование и технология производства электронной аппаратуры», МГТУ им. Н.Э. Баумана (Москва, Россия)

Аннотация:

Постановка проблемы. Основной проблемой известных глубоких сверточных нейронных сетей является то, что им требуется входное изображение фиксированного размера. Это требование является «искусственным» и может снизить точность распознавания для изображений или его частей произвольного размера/масштаба. Авторами предложена стратегия объединения «иерархической пирамидальной субдискретизации», позволяющая устранить указанное ограничение. Структура нейронной сети с использованием предложенной стратегии объединения позволяет генерировать предсказание независимо от размера/масштаба исходного изображения, а также повышает точность распознавания.

Цель. Повысить эффективность распознавания дефектов проводящего рисунка печатных плат и монтажа компонентов за счет создания методов, алгоритмов и программ, инвариантных к смещениям, поворотам и смене ракурса входных данных.

Результаты. Исследованы особенности применения сверточных нейронных сетей на примере выделения и распознавания дефектов проводящего рисунка заготовок печатных плат. Кратко рассмотрены особенности дефектов проводящего рисунка заготовок печатных плат. Предложено использование искусственных сверточных нейронных сетей, которые имеют преимущества по скорости и точности в решении задач распознавания объектов на изображениях относительно существующих методов. Основное внимание уделено архитектуре сверточных нейронных сетей с использованием иерархической пирамидальной субдискретизации. Показаны возможности по применению сверточных нейронных сетей для распознавания дефектов проводящего рисунка заготовок печатных плат. Сделаны выводы о возможностях применении методов и средств обработки изображений в дефектоскопии радиоэлектронной аппаратуры и приборов.

Практическая значимость. Предложенная иерархическая пирамидальная субдискретизация в глубоких сверточных сетях реализована в программном комплексе, который позволяет обрабатывать цифровые данные фотографий проводящего рисунка печатных плат, в частности, при их дефектоскопии, и может быть использован для локализации присутствующих дефектов проводящего рисунка

 

Страницы: 17-35
Список источников
  1. Гриднев В.Н., Гриднева Г.Н. Проектирование коммутационных структур электронных средств. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014.
  2. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
  3. Власов А.И., Гриднев В.Н., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
  4. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
  5. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль электронно-вычис­лительных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6. С. 42–49.
  6. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.
  7. Buyanov A.A., Vlasov A.I., Gridnev V.N. The neuronet hardware and software integrated system for defectoscopy of printed circuits based on microsections // Сб. тезисов докладов 3-й междунар. конф. «Компьютерные методы и обратные задачи в неразрушающем контроле и диагностике». 2002. С. 71.
  8. Макушина Н.В., Сергеева М.Д. Анализ дефектов металлизированных отверстий печатных плат // Проектирование и технология электронных средств. 2018. № 1. С. 3–12.
  9. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
  10. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
  11. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 7. М.: Радиотехника. 2003.
  12. Балухто А.Н., Галушкин А.И., Ковальчук Д.В., Назаров Л.Е., Томашевич Н.С. Нейрокомпьютеры в прикладных задачах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 8. М.: Радиотехника. 2003.
  13. Дембицкий Н.Л., Назаров А.В. Применение методов искусственного интеллекта в проектировании и производстве радиотехнических устройств. Сер. Научная библиотека. М.: Изд-во МАИ. 2009.
  14. Григорьев В.П., Камышная Э.Н., Нестеров Ю.И., Никитин С.А. Применение методов искусственного интеллекта в САПР технологических процессов производства электронной аппаратуры. М.: Изд-во МГТУ им. Н.Э. Баумана. 1998.
  15. Глушко А.А., Бусов В.Д., Передерин К.Д. Методы алгоритмического проектирования искусственного интеллекта // Технологии инженерных и информационных систем. 2019. № 2. С. 72–88.
  16. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. Сер. Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
  17. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
  18. Рысьмятова А.А. Использование сверточных нейронных сетей для задачи классификации текстов. М.: МГУ им. М.В. Ломоносова. 2016.
  19. Прохоров В.Г. Использование сверточных сетей для распознавания рукописных символов // Проблеми програмувания. 2008. № 2–3. С. 669–674.
  20. Rowley H.A., Baluja S., Kanade T. Neural network-based face detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. V. 20. № 1. P. 23–38.
  21. Juell P., Marsh R. A hierarchical neural network for human face detection // Pattern Recognition 1996. V. 29. № 5. P. 781–787.
  22. Lin S.-H., Kung S.-Y., Lin L.-J. Face recognition/detection by probabilistic decision-based neural network // IEEE Transactions on Neural Networks. 1997. V. 8. № 1. P. 114–132.
  23. Lawrence S., Giles C.L., Tsoi A.C., Back A.D. Face recognition: A convolutional neural network approach // IEEE Transactions on Neural Networks. Special Issue on Neural Networks and Pattern Recognition. P. 1–24.
  24. CS231n convolutional neural networks for visual recognition: Image classification [Электронный ресурс] / URL: http://cs231n. github.io/classification/.
  25. Свидетельство о регистрации программы для ЭВМ RU 2019618937. Экспертная система по обнаружению дефектов проводящего рисунка печатных плат / Е.В. Евдокимова, А.Е. Аверьянихин, А.И. Власов. Опубл. 08.07.2019.
  26. Демин А.А. Методы автоматизированной оценки каллиграфии // Программные продукты и системы. 2011. № 1. С. 20–23.
  27. Демин А.А., Власов А.И., Шахнов В.А. Методы и средства визуальных упражнений для адаптивной коррекции тонкой моторики кистей рук в условиях невесомости // Вестник Московского государственного технического университета им. Н.Э. Баумана. Сер. Приборостроение. 2015. № 3 (102). С. 23–38.
Дата поступления: 19.11.2020
Одобрена после рецензирования: 03.12.2020
Принята к публикации: 15.12.2020