DenseNet 是一款优秀的网络，其中的 dense connection 不但可以让开发者使得特征更强大，还可以给开发者带来一个较快的归纳和收敛。并且 DenseNet 具有相对于 ResNet 更小的参数，在测试过程中可以拥有较快的运行速度。
第 6 章 总结与展望
6.1 结论
本文将图像处理技术与深度学习技术应用到电路板缺陷识别问题上，先针对图像处理技术对电路板缺陷识别进行研究，主要采用了差分运算再提出用边缘检测的方法提取特征达到分类的效果。接着采用先进的目标检测网络，深入地研究了 YOLOv3 算法，鉴于 DenseNet 的思想对原始 YOLOv3 算法进行了改进，并提出了 D-YOLOv3 算法，实现了电路板缺陷识别的研究。总结归纳如下：
(1)为了解决当前社会电路板缺陷识别率不足、人工成本高、机器效率不高的问题，本文首先采用了图像处理技术对电路板的缺陷识别进行研究。主要有两类任务，一是缺陷定位问题，本文采用标准图像与待测图像进行配准然后进行差分运算，就会得出缺陷所在的位置，接着在缺陷周围建立矩形框，以标记缺陷所在的位置。最后提出使用边缘检测的算法对缺陷进行特征提取，从而达到分类的效果。实验结果发现，此方法虽然能够完成对电路板缺陷的识别，但是在精度和速度方面都差强人意。
(2)接着本文使用开源的目标检测框架 YOLOv3 来对电路板缺陷进行识别研究，本文在选取目标网络对电路板缺陷问题进行识别之前，深度剖析了深度学习各类分类算法，了解到深度学习框架的优势所在。在比较了目前几个比较受欢迎的网络之后，并保证在网络模型训练的时候，速度和精度都尚可的情况下，确定使用 YOLOv3 算法来研究电路板缺陷识别的研究。根据 YOLOv3 网络模型训练得出的模型在准确率上达到了 87.81%，在速度上达到了 40fps。总的来说，模型大体上能识别出来，不过还存在着准确率不足的问题。
(3)为了更好地提高电路板缺陷识别的识别效果与识别速度，本文提出了一种鉴于 DenseNet 思想而改进的 D- YOLOv3 网络用于研究。首先通过对各种分类算法或一些轻量级网络的实验性能对比，确定了 DenseNet 是一种比较高效的轻量级紧凑型网络，其核心 dense block 加强了特征复用，并拥有更少的参数数量。本实验提出的 D-YOLOv3 网络的实验结果如下：最终的平均准确率为 93.34%。
参考文献（略）
