Fm-stdnet: detector de alta velocidad para objetivos pequeños en movimiento rápido basado en arquitectura de red de primer orden profundo
Autores: Hu, Xinyu; Kong, Defeng; Liu, Xiyang; Zhang, Junwei; Zhang, Daode
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Fm-stdnet: detector de alta velocidad para objetivos pequeños en movimiento rápido basado en arquitectura de red de primer orden profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Objetos de interés
Señales de visión digital
Objetivos en movimiento rápido
Placa de circuito impreso (PCI)
Detección en tiempo real
Detector de aprendizaje profundo.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Identificar objetos de interés a partir de señales de visión digital es una tarea fundamental de los sistemas inteligentes. Sin embargo, la identificación rápida y precisa de pequeños objetivos en movimiento en tiempo real se ha convertido en un cuello de botella en el campo de la detección de objetivos. En este documento, se investiga el problema de la detección en tiempo real de los pequeños objetivos de placas de circuito impreso (PCB) en rápido movimiento. Esta tarea es muy desafiante porque los defectos de las PCB suelen ser pequeños en comparación con toda la placa PCB, y debido a la búsqueda de eficiencia de producción, la velocidad de movimiento real de las PCB de producción suele ser muy rápida, lo que pone mayores requisitos en el tiempo real de los sistemas inteligentes. Con este fin, se propone un nuevo modelo de FM-STDNet (Fast Moving Small Target Detection Network) basado en el conocido detector de aprendizaje profundo YOLO (You Only Look Once). En primer lugar, basado en la red SPPNet (Spatial Pyramid Pooling Networks), se diseña un nuevo módulo de agrupamiento piramidal espacial SPPFCSP (Spatial Pyramid Pooling Fast Cross Stage Partial Network) para adaptarse a la extracción de características de diferentes tamaños de escala de diferentes imágenes de entrada, lo que ayuda a retener la alta información semántica de características más pequeñas; luego, se introduce el modo sin anclaje para clasificar directamente la información de predicción de regresión y realizar la construcción de reparametrización estructural para diseñar una nueva cabeza de predicción de alta velocidad RepHead para mejorar aún más la velocidad de operación del detector. Los resultados experimentales muestran que el detector propuesto logra una precisión de detección del 99,87% a la velocidad más rápida en comparación con detectores de profundidad de última generación como YOLOv3, Faster R-CNN y TDD-Net en la tarea de detección de defectos en la superficie de PCB en rápido movimiento. El nuevo modelo de FM-STDNet proporciona una referencia efectiva para la tarea de detección de pequeños objetivos en rápido movimiento.
Descripción
Identificar objetos de interés a partir de señales de visión digital es una tarea fundamental de los sistemas inteligentes. Sin embargo, la identificación rápida y precisa de pequeños objetivos en movimiento en tiempo real se ha convertido en un cuello de botella en el campo de la detección de objetivos. En este documento, se investiga el problema de la detección en tiempo real de los pequeños objetivos de placas de circuito impreso (PCB) en rápido movimiento. Esta tarea es muy desafiante porque los defectos de las PCB suelen ser pequeños en comparación con toda la placa PCB, y debido a la búsqueda de eficiencia de producción, la velocidad de movimiento real de las PCB de producción suele ser muy rápida, lo que pone mayores requisitos en el tiempo real de los sistemas inteligentes. Con este fin, se propone un nuevo modelo de FM-STDNet (Fast Moving Small Target Detection Network) basado en el conocido detector de aprendizaje profundo YOLO (You Only Look Once). En primer lugar, basado en la red SPPNet (Spatial Pyramid Pooling Networks), se diseña un nuevo módulo de agrupamiento piramidal espacial SPPFCSP (Spatial Pyramid Pooling Fast Cross Stage Partial Network) para adaptarse a la extracción de características de diferentes tamaños de escala de diferentes imágenes de entrada, lo que ayuda a retener la alta información semántica de características más pequeñas; luego, se introduce el modo sin anclaje para clasificar directamente la información de predicción de regresión y realizar la construcción de reparametrización estructural para diseñar una nueva cabeza de predicción de alta velocidad RepHead para mejorar aún más la velocidad de operación del detector. Los resultados experimentales muestran que el detector propuesto logra una precisión de detección del 99,87% a la velocidad más rápida en comparación con detectores de profundidad de última generación como YOLOv3, Faster R-CNN y TDD-Net en la tarea de detección de defectos en la superficie de PCB en rápido movimiento. El nuevo modelo de FM-STDNet proporciona una referencia efectiva para la tarea de detección de pequeños objetivos en rápido movimiento.