传统的目标检测技术更擅长于检测体积比较大的物体,而对于微小而且比较密集的物体的检测效果不是很理想。比如不同的微小电子元器件,其相对于大目标物体更容易受到外界环境的干扰,比如成像时光照的影响,遮挡因素的影响等。如果用传统的机器视觉方法,最终会因为对物体的特征的有效提取比较少,从而导致检测识别率不高,而且鲁棒性差。基于上述原因,本文将致力于研究深度残差网络在微小目标检测方面的应用。特征提取方面,本文将通过使用经过改进的不同深度的残差网络去提取更加有效的精细化的特征。对于深度神经网络中容易出现的过拟合问题,本文将综合使用正则化,数据增强,dropout以及批处理归一化加以解决。对于梯度消失问题,本文将通过使用残差网络中的“瓶颈结构”训练更深层次的网络结构。目标检测方面,本文则主要研究了两种类型的目标检测算法,一种以Faster-RCNN为代表的区域检测算法,另一种以YOLO为代表的回归算法,并通过在线困难样例挖掘算法进行二次训练,以此来解决传统目标检测算法对于微小尺度的目标的检测性能不够理想的问题,提高微小元器件的检测性能。总之,针对微小元器件这种微小目标的检测问题,本文将实现一种基于深度残差的卷积神经网络结构模型。该算法将残差网络中的残差块和卷积神经网络相结合,训练多尺度的特征,然后利用Inception的改进模型,进行多尺度的特征融合。其次在检测阶段该算法还基于OHEM算法对Faster-RCNN进行改进。残差网络中的残差块可以训练出更深层次的神经网络,然后利用CNN在计算机视觉中的应用,将微小电子元器件由单个深度卷积网络进行处理,将CNN的每一层的卷积特征图进行聚合,通过加入非线性激活函数Relu以及通过max-pooling,Batch-Norm,bilinear interpolation和卷积等操作,将图片压缩成统一的特征空间,即多尺度特征,多尺度特征用于候选框的提取与目标的识别与定位。该算法与普通的神经网络相比有效的提高了微小电子元器件的检测性能,准确率达到了92.6%,这种检测准确率的提高使得微小电子元器件的自动化处理效率得到了极大的提升。