Resumen

El reconocimiento de componentes electrónicos desempeña un papel importante en la producción industrial, la fabricación electrónica y las pruebas. Con el fin de abordar el problema de la baja precisión y recuperación de reconocimiento de las tecnologías tradicionales de reconocimiento de imágenes (como el análisis de componentes principales (PCA) y la máquina de vectores de soporte (SVM)), este artículo selecciona varias redes de aprendizaje profundo para probarlas y optimiza la red SqueezeNet. A continuación, presenta un algoritmo de reconocimiento de componentes electrónicos basado en la red SqueezeNet más rápida. Esta estructura puede reducir el tamaño de los parámetros de la red y la complejidad computacional sin deteriorar el rendimiento de la red. Los resultados muestran que el algoritmo propuesto tiene un buen rendimiento, donde la Curva Característica Operativa del Receptor (ROC) y el Área Bajo la Curva (AUC), condensador e inductor, alcanzan 1,0. Cuando el FPR es inferior o igual al nivel 10-6, el TPR es superior o igual a 0,99; su tiempo de razonamiento es de unos 2,67 ms, alcanzando el nivel de aplicación industrial en términos de consumo de tiempo y rendimiento.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:algoritmo de reconocimiento de componentes electrónicos, tecnologías tradicionales de reconocimiento de imágenes, reconocimiento de componentes electrónicos, red squeezenet más rápida, nivel de aplicación industrial, baja memoria de reconocimiento, análisis de componentes principales, máquina de vectores soporte, papel, rendimiento
• Keywords:electronic component recognition algorithm, traditional image recognition technologies, electronic component recognition, faster squeezenet network, industrial application level, low recognition recall, principal component analysis, support vector machine, paper, performance