CN110220912A - 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 - Google Patents
一种基于深度学习的蓝宝石生长缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN110220912A CN110220912A CN201910451732.5A CN201910451732A CN110220912A CN 110220912 A CN110220912 A CN 110220912A CN 201910451732 A CN201910451732 A CN 201910451732A CN 110220912 A CN110220912 A CN 110220912A
- Authority
- CN
- China
- Prior art keywords
- growth
- image
- sapphire
- crystal
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000012010 growth Effects 0.000 title claims abstract description 47
- 229910052594 sapphire Inorganic materials 0.000 title claims abstract description 41
- 239000010980 sapphire Substances 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000002950 deficient Effects 0.000 title claims abstract description 22
- 239000013078 crystal Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000007547 defect Effects 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000155 melt Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims 1
- 230000009643 growth defect Effects 0.000 abstract description 8
- 230000003698 anagen phase Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一种基于深度学习的蓝宝石生长缺陷视觉检测方法，属于蓝宝石制备检测领域；人工合成蓝宝石过程中检测蓝宝石的生长缺陷主要依靠人工检测，费时费力，生长炉的炉内环境造成人工检测生长缺陷的困难，且人工凭借经验观测容易出现错误，本发明基于深度学习理论提供一种蓝宝石生长缺陷的视觉检测方法，使用相机采集不少于200万张蓝宝石晶体生长阶段图像进行处理，生成训练集，搭建深度学习网络，调整参数训练深度学习网络生成训练模型，利用训练模型检测待测图像，对晶体生长状态实时判断，操作籽晶杆使存在生长缺陷的晶体正常生长。
Description
技术领域
本发明涉及蓝宝石制备检测领域，更具体的说，它涉及一种基于深度学习的蓝宝石生长缺陷视觉检测方法。
背景技术
蓝宝石是用于制造电子制导高速战机及导弹的红外光学窗口与整流罩的最佳材料。，然而天然的蓝宝石在自然界中十分稀缺，并且不能很好的满足工业对于质量和尺寸的需求，因此市面上的蓝宝石多为人工合成。
在人工合成蓝宝石工艺中，其中有重要的一步，便是检测蓝宝石的生长缺陷。但是在实际中，人工检测蓝宝石生长缺陷费时费力，且不同晶体生长炉的炉内环境有所不同，造成传统方法检测生长缺陷的困难。传统方法主要是依靠人眼对晶体生长炉进行观测，工人师傅通过观测口对蓝宝石晶体的生长进行观测，在观测过程中如果晶体出现缺陷，根据观察到的缺陷类型，选择回炉重铸或者利用籽晶杆进行修正晶体。人工检测需要工人师傅一直在现场等待，隔一段时间进行观测一次，由于人眼可能由于炉内强光不能长时间观测，且人工凭借经验观测容易出现错误。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的蓝宝石生长缺陷视觉检测方法，该发明基于深度学习的理论，主要用于检测人工接种或合成过程中，蓝宝石是否存在缺陷。
为实现上述目的，本发明提供了如下技术方案：
一种基于深度学习的蓝宝石生长缺陷视觉检测方法，包括以下步骤：
S1.使用CCD相机采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理和图像标注，图像随机分为验证集、训练集和测试集，并且训练集、测试集和验证集图像不重复；
S2. 搭建深度学习网络，训练深度学习网络，生成模型；
S3.将生长晶体的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；
S4.如果晶体存在缺陷，操作籽晶杆使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，存储晶体图像，结束蓝宝石晶体缺陷检测；
其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是生长状态的检测结果为1则视为有缺陷，否则为无。
进一步，CCD相机外部包覆冷却罩，通过生长炉的观察口采集生长晶体图像。
进一步，冷却罩内的冷却水与生长炉的自身冷却水循环系统连接。
进一步，对训练样本的图像处理包括用直方图均衡化对图像进行增强，图像数据使用LabelImg工具标注，针对图像标注的结果，两类图像均匀分开。
进一步，网络结构共有五层卷积网络和三层全连接层，第一层卷积层使用96个大小为11×11×3的卷积核；第二层卷积层使用256个大小为5×5×48的卷积核进行滤波；第三层、第四层和第五层的卷积在没有任何池化或者归一化层介于其中的情况下互相连接，第三层卷积层有384个大小为3×3×256的卷积核；第四层卷积层有384个大小为3×3×192的卷积核，第五层卷积层有256个大小为3×3×192的卷积核；每个全连接层有4096个神经元。
综上所述，发明具有以下有益效果：
1、本发明利用深度学习算法对蓝宝石生长过程中产生的缺陷进行检测，检测速度快，识别准确率高；
2、本发明针场景适用性强，可用于不同的蓝宝石晶体生长炉。
3、本发明可以将蓝宝石晶体生长的缺陷识别，并对设备进行相应操作。
附图说明
图1是本发明的流程图；
图2是本发明实施检测的设备示意图。
图中：1、生长炉，2、籽晶杆，3、生长晶体，4、CCD相机，5、冷却罩，6、观察口，7、控制箱，8、PLC，9、计算机。
具体实施方式
下面结合附图对本发明作进一步详细说明。
一种基于深度学习的蓝宝石生长缺陷视觉检测方法，包括以下步骤：
S1.使用CCD相机4采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理，随机选取20%的图像作为验证集，选取60%的图像生成训练样本作为训练集，20%的图像作为测试集，并且训练集、测试集和验证集图像不重复；针对蓝宝石生长阶段的不同状态采集图像，检测装置示意图如图2所示，利用CCD相机4对蓝宝石晶体的生长炉1中的生长晶体3进行图像采集，每张图片均有蓝宝石晶体生长阶段的晶体表面信息，以此制作深度学习数据集；
S2. 搭建深度学习网络，训练深度学习网络，为保证实时性，选择轻量型网络MobileNet网络结构，减少网络参数，提高网络性能；在模型训练过程中，首先利用该深度学习网络对训练集训练一段时间后得到训练模型并保存，利用验证集对训练模型初步评估，根据验证集输入训练模型得到的准确率调整超参数，进一步调整超参数防止过拟合或欠拟合，继续训练得到最终模型，使用测试集对模型的检测准确率进行测试，验证其泛化能力，确保模型的检测准确率达到90%以上，储存模型；
S3.将生长晶体1的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；
S4.籽晶杆2根据晶体的生长状态进行操作，如果晶体存在缺陷，操作籽晶杆2使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，无需籽晶杆2的操作，存储晶体图像，结束蓝宝石晶体缺陷检测；计算机实现籽晶杆2的操作是通过控制PLC驱动控制箱7中的电机，由电机带动籽晶杆2完成上下移动和旋转；
其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是，生长状态的检测结果为1则视为有缺陷，否则为无，识别准确率能够达到90%，符合生产过程的检测要求，本发明在蓝宝石制备检测领域内实现了无人自动化操作，与传统的纯人工检测相比，检测速度和准确率得到有效提高。
CCD相机4外部包覆冷却罩5，通过生长炉1的观察口3采集生长晶体3图像。
冷却罩5内的冷却水与生长炉1的自身冷却水循环系统连接，由于生长炉1内的温度较高，CCD相机4从观察口6采集图像，冷却罩5能够防止相机长时间工作高温损坏。
对训练样本的图像处理包括用直方图均衡化对图像进行增强，使变换后图像灰度的概率密度呈均匀分布，这就意味着图像灰度的动态范围得到了增加，提高了图像对比度，有益于接下来的处理，图像进行直方图均衡化的函数表达式为：
其中，r i 表示图像中像素灰度级，n是图像中的像素总数，为频数，k为灰度级数；图像数据使用LabelImg工具标注，针对图像标注的结果分为0和1，两类图像均匀分开。
本发明是针对蓝宝石制作产业，实施步骤如下：
1、使用CCD相机4从蓝宝石制作设备上采集大量图像数据，采集过程中使用冷却罩5保护CCD相机4，如图2所示；
2、将图像数据分为测试集、验证集和训练集，使用深度学习网络对训练集进行训练，在训练过程中使用验证集对模型调整参数；
3、训练结果得到多个模型，用测试集进行模型泛化评估，整体评估模型的性能，准确率达到90%视为合适的模型。
4、输入待测图像数据进行预测，并且认定结果为1则为有缺陷，结果为0则为无缺陷。
5、有缺陷则通过控制箱控制籽晶杆向下运动，晶体回炉重新生长；无缺陷的晶体正常生长，保证最终产品蓝宝石晶体的良品率。
由于采集大量图像、图像预处理和训练模型花费时间较长，一旦训练得到合适的模型，在使用过程中，只需要使用该模型，将新的图像数据输入即可判断，本发明检测速度快，识别准确率高，能够在不同的蓝宝石晶体生长炉上使用，适用性广。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于包括以下步骤：
S1.使用CCD相机（4）采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理和图像标注，图像随机分为验证集、训练集和测试集，并且训练集、测试集和验证集图像不重复；
S2.搭建深度学习网络，训练深度学习网络，生成模型；
S3.将生长晶体（1）的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；
S4.如果晶体存在缺陷，操作籽晶杆（2）使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，存储晶体图像，结束蓝宝石晶体缺陷检测；
其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是，生长状态的检测结果为1则视为有缺陷，否则为无。
2.根据权利要求1所述的基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于：所述CCD相机（4）外部包覆冷却罩（5），通过生长炉（1）的观察口（6）采集生长晶体（3）图像。
3.根据权利要求2所述的基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于：所述冷却罩（5）内的冷却水与生长炉（1）的自身冷却水循环系统连接。
4.根据权利要求1所述的基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于：对所述训练样本的图像处理包括用直方图均衡化对图像进行增强，图像数据使用LabelImg工具标注，针对图像标注的结果，两类图像均匀分开。
5.根据权利要求1所述的基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于：所述网络结构共有五层卷积网络和三层全连接层，第一层卷积层使用96个大小为11×11×3的卷积核；第二层卷积层使用256个大小为5×5×48的卷积核进行滤波；第三层、第四层和第五层的卷积在没有任何池化或者归一化层介于其中的情况下互相连接，第三层卷积层有384个大小为3×3×256的卷积核；第四层卷积层有384个大小为3×3×192的卷积核，第五层卷积层有256个大小为3×3×192的卷积核；每个全连接层有4096个神经元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451732.5A CN110220912A (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451732.5A CN110220912A (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110220912A true CN110220912A (zh) | 2019-09-10 |
Family
ID=67818217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451732.5A Pending CN110220912A (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110220912A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754516A (zh) * | 2020-05-25 | 2020-10-09 | 沈阳工程学院 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
| CN113130017A (zh) * | 2020-06-05 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶体生长分析方法及系统 |
| CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
| CN113699592A (zh) * | 2020-05-22 | 2021-11-26 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN114782439A (zh) * | 2022-06-21 | 2022-07-22 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
| CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
| CN117456292A (zh) * | 2023-12-26 | 2024-01-26 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
| CN117468084A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117468083A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
| CN117468085A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1473668A2 (en) * | 2003-03-31 | 2004-11-03 | Victor Company Of Japan Limited | Apparatus, method and program for video data processing and tamper detection |
| CN105825480A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 一种基于蓝宝石表面缺损自动化检测的图像去模糊方法 |
| CN106446310A (zh) * | 2015-08-06 | 2017-02-22 | 新加坡国立大学 | 基于人工神经网络的晶体管及系统建模方法 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN207130375U (zh) * | 2017-08-12 | 2018-03-23 | 哈尔滨奥瑞德光电技术有限公司 | 200kg以上大尺寸蓝宝石单晶炉的热场结构 |
| CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
| CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
-
2019
- 2019-05-28 CN CN201910451732.5A patent/CN110220912A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1473668A2 (en) * | 2003-03-31 | 2004-11-03 | Victor Company Of Japan Limited | Apparatus, method and program for video data processing and tamper detection |
| CN106446310A (zh) * | 2015-08-06 | 2017-02-22 | 新加坡国立大学 | 基于人工神经网络的晶体管及系统建模方法 |
| CN105825480A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 一种基于蓝宝石表面缺损自动化检测的图像去模糊方法 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN207130375U (zh) * | 2017-08-12 | 2018-03-23 | 哈尔滨奥瑞德光电技术有限公司 | 200kg以上大尺寸蓝宝石单晶炉的热场结构 |
| CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
| CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
Non-Patent Citations (1)
| Title |
|---|
| C R. SAWYER ETC: "Crystal surface analysis using matrix textural features classified by a probabilistic neural network", 《PROCEEDINGS OF SPIE》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113699592A (zh) * | 2020-05-22 | 2021-11-26 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN113699592B (zh) * | 2020-05-22 | 2023-07-07 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN111754516A (zh) * | 2020-05-25 | 2020-10-09 | 沈阳工程学院 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
| CN113130017B (zh) * | 2020-06-05 | 2024-01-30 | 北京星云联众科技有限公司 | 基于人工智能的晶体生长分析方法及系统 |
| CN113130017A (zh) * | 2020-06-05 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶体生长分析方法及系统 |
| CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
| CN114782439A (zh) * | 2022-06-21 | 2022-07-22 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
| CN114782439B (zh) * | 2022-06-21 | 2022-10-21 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
| CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
| CN117456292A (zh) * | 2023-12-26 | 2024-01-26 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
| CN117456292B (zh) * | 2023-12-26 | 2024-04-19 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
| CN117468084A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117468083A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
| CN117468085A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117468085B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117468083B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
| CN117468084B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110220912A (zh) | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 | |
| US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
| CN104749184B (zh) | 自动光学检测方法和系统 | |
| CN107657603A (zh) | 一种基于智能视觉的工业外观检测方法 | |
| JP6845221B2 (ja) | プレート培地上にストリークされた試料からの自動化された微生物コロニーカウントのための方法及びシステム | |
| JP2021043203A (ja) | コロニーコントラスト収集 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
| CN106097320B (zh) | 水下海参图像自动分割方法及装置 | |
| WO2011030481A1 (ja) | 細菌分類装置および細菌検査前処理装置 | |
| CN101970681A (zh) | 细胞观察中的活细胞判别方法、细胞观察的图像处理程序和图像处理装置 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN104792789A (zh) | 化纤纸管外观检测装置及方法 | |
| CN110020691B (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN109035226A (zh) | 基于LSTM模型的Mura缺陷检测方法 | |
| CN110321944A (zh) | 一种基于接触网画质评估的深度神经网络模型的构建方法 | |
| CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
| CN109509173A (zh) | 一种细菌菌落的计数方法及计数装置 | |
| CN106501278B (zh) | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 | |
| CN117557806A (zh) | 硅棒生长视觉监测方法、装置、设备及存储介质 | |
| CN108709893A (zh) | 一种amoled显示屏点线团在线缺陷检测方法 | |
| CN115641335B (zh) | 基于时差培养箱的胚胎异常多级联智能综合分析系统 | |
| CN106814088A (zh) | 基于机器视觉对电池片颜色分选的检测装置及方法 | |
| CN113820322B (zh) | 一种用于种子外观品质的检测装置及方法 | |
| TWI745946B (zh) | 一種高爾夫球電腦檢測系統及自動光學檢測設備 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |