CN110717378A - 基于神经网络算法的导电粒子的检测方法及装置 - Google Patents
基于神经网络算法的导电粒子的检测方法及装置 Download PDFInfo
- Publication number
- CN110717378A CN110717378A CN201910789732.6A CN201910789732A CN110717378A CN 110717378 A CN110717378 A CN 110717378A CN 201910789732 A CN201910789732 A CN 201910789732A CN 110717378 A CN110717378 A CN 110717378A
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- conductive particles
- image data
- convolutional neural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于神经网络算法的导电粒子的检测方法和系统,通过采集的图像,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络训练成卷积神经网络训练模型,再将实际图像输入进所述卷积神经网络训练模型获得导电粒子的检测结果并分类。本发明能分类检测出导电粒子的优劣,从而为实现工业目标物的自动检测和识别提供技术支持;本发明还可进行图像增强、亮度变换、图像仿射变化等处理,增强视觉分析的便捷性和识别精度,大大地节约了人工费用并且提高效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于神经网络算法的异方性导电膜绑定后导电粒子的检测方法及装置。
背景技术
液晶显示器除了液晶面板外,在其外围必须连动驱动芯片作为显示讯号之控制用途。COG是chip on glass的缩写,即芯片被直接绑定在玻璃上;FOG是FPC on Glass的缩写。两者都是用于液晶玻璃与电路电气导通的加工方式。其中比较常用的是使用异方性导电膜(ACF)进行电性连接。
ACF是Anisotropic Conductive Film的缩写,其特点在于Z轴电气导通方向与XY绝缘平面的电阻特性具有明显的差异性。当Z轴导通电阻值与XY平面绝缘电阻值的差异超过一定比值后,既可称为良好的导电异方性。导电原理是利用导电粒子连接IC芯片与基板两者之间的电极使之成为导通,同时又能避免相邻两电极间导通短路,而达成只在Z轴方向导通之目的。
异方性导电膜(ACF)是一种显示器件与电路连接所必不可少的关键性材料,主要包括树脂粘合剂、导电粒子两大部分,导电粒子是金属涂覆的聚合物球体,粘合剂是热固性树脂。液晶显示器的封装过程中对导电粒子的检测是非常必要的,在工厂生产的过程中会因为机器的操作或者人工的包装的不仔细会出现导电粒子损坏的现象,比如出现导电粒子的断裂、划痕以及产出的导电粒子中粒子不足的残次品,这些产品经过机器视觉智能的检测出问题,并没有进行分类还需要人工的参与,随着现代社会的发展,这样操作不再适合现在社会,本发明主要对检测生产过程中出现的残优品进行分类,用机器视觉代替人工视觉。
发明内容
针对背景技术中所提到的技术问题,本发明提供了一种基于神经网络算法的异方性导电膜绑定后导电粒子的检测方法及装置。
本发明所采用的技术方案为:
一种基于神经网络算法的导电粒子的检测方法,包括如下步骤:
训练步骤,获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类步骤,获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
优选的,所述获取训练图像数据集,具体步骤包括采用200万像素及以上的CCD摄像头,对实际场景中的目标物体进行图像采集,并根据实际信息设置调整摄像头的拍摄参数,得到同一目标物体的多个图像,从而获得符合要求的的图像数据。
优选的,所述实际信息包括场景光线、目标物体自身特征。
优选的,所述设置调整摄像头的拍摄参数,具体为调节位于摄像头周围的五个光源、调节摄像头与目标物之体间的高度差、以及调节摄像头的拍摄角度,所述五个光源为1个环形光和4个条形光,所述高度差范围在10cm-150cm。
优选的,所述摄像头通过GigE通讯方式传送图像数据。
优选的,所述标注训练图像数据集构建训练样本,具体包括
图像标准化预处理步骤,将图像尺寸进行归一化处理;
图像处理步骤,对于采集的图像数据进行降噪处理,滤波处理;
标注步骤,对于处理过后的图像数据进行标注,把导电粒子进行残优品分类,得到训练样本。
优选的,所述将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型,具体步骤包括两个阶段:
第一阶段,向前传播阶段:
从样本集中取一个样本(X,YP),将X输入网络;
计算相应的实际输出0P;
在此阶段,信息从输入层经过逐级的变换,传送到输出层,网络执行的计算是:
0P=Fn(...(F2(Fi(XPW(1))W(2))...,)W(n))
在计算过程中,都是用Sigmoid作为激活函数;
第二阶段,向后传播阶段:
计算实际输出0P与相应的理想输出YP的差;
按极小化误差的方法反向传播调整权矩阵。
优选的,所述卷积神经网络的结构为16层,由13个卷积层和3个池化层堆叠而成,所述卷积层均采用相同的卷积核参数,其中卷积层采用的卷积核的宽和高均为3。
优选的,所述获取实际图像步骤包括实际图像数据预处理步骤,所述预处理步骤包括归一化为同尺寸灰度图。
本发明还揭示了一种基于神经网络算法的导电粒子的检测装置,包括:
训练单元,用于获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类单元,用于获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
本发明的有益效果主要体现在:通过采集的图像训练成模型,能分类检测出导电粒子的优劣,从而为实现工业目标物的自动检测和识别提供技术支持;另外还可进行图像增强、亮度变换、图像仿射变化等处理,增强视觉分析的便捷性和识别精度,大大地节约了人工费用并且提高效率。
附图说明
图1为本发明基于神经网络算法的导电粒子的检测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本发明。
液晶显示器产品在生产的过程中会出现残次品的情况,因为现代化技术的发展机器生产出的东西没有经过检验就投入生产,使得出现很多问题,有的工厂会有工人进行分类但是人工分类总会出现漏放、放错等问题,而且效率低下,所以本发明主要是利用视觉装置进行检查出残次品进行分类和识别。
请参见图1所示,本发明揭示的一种基于神经网络算法的导电粒子的检测方法,包括如下步骤:
训练步骤,获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类步骤,获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
具体的,所述获取训练图像数据集,具体步骤包括采用200万像素及以上的CCD摄像头,对实际场景中的目标物体进行图像采集,并根据实际信息设置调整摄像头的拍摄参数,得到同一目标物体的多个图像(可以是同一方向、也可以是不同方向的),从而获得符合要求的的图像数据。所述实际信息包括场景光线、目标物体自身特征。
所述设置调整摄像头的拍摄参数的步骤为调节位于摄像头周围的五个光源、调节摄像头与目标物之体间的高度差、以及调节摄像头的拍摄角度。具体的,摄像头模块中除了摄像头还包括辅助光源装置和自动调节装置,辅助光源装置包括1个灯箱和5个光源,分布在摄像头的周围,其中5个光源的种类为1个环形光和4个条形光;自动调节装置包括自动调节支架和轮式底盘,自动调节支架一端连接光源装置和摄像头,另一端连接轮式底盘,可以根据不同需求自动调节摄像头与目标物之间的高度差,可调节的高度差范围在10cm-150cm。轮式底盘包括4个轮子,分布在底盘边缘的四周,用于帮助摄像头的灵活移动,为采集图像提供最佳的拍摄视角。所述摄像头通过GigE通讯方式传送图像数据。
本发明中,选择训练集图像大小和格式,实现训练集到视觉建模的无缝连接。图像的可选格式有:jpg,png,bmp,gif,tiff等,数据格式可以满足大部分机器学习和深度学习算法的需求。控制器将该模块的输出参数传递给图像处理模块以确保生成有效的训练集。
对于在工厂采集的图像数据肯定有噪声以及其他因素的影响,所以在使用图像数据的时候需要进行预处理,保证图像数据中尽可能地减少噪声保留图像大部分的信息。对于图像处理采用的灰度化、二值化以及滤波处理使图像中的噪声尽可能地减少。滤波采用的中值滤波,中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。
因此本发明所述标注训练图像数据集构建训练样本,具体包括:
图像标准化预处理步骤,将图像尺寸进行归一化处理;
图像处理步骤,对于采集的图像数据进行降噪处理,滤波处理;
标注步骤,对于处理过后的图像数据进行标注,把导电粒子进行残优品分类,得到训练样本。
图像训练步骤是本发明的核心模块。本发明所述将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型,具体步骤包括两个阶段:
第一阶段,向前传播阶段:
从样本集中取一个样本(X,YP),将X输入网络;
计算相应的实际输出0P;
在此阶段,信息从输入层经过逐级的变换,传送到输出层,网络执行的计算是:
0P=Fn(...(F2(Fi(XPW(1))W(2))...,)W(n))
在计算过程中,都是用Sigmoid作为激活函数;
第二阶段,向后传播阶段:
计算实际输出0P与相应的理想输出YP的差;
按极小化误差的方法反向传播调整权矩阵。
本发明运用VGG-16建立模型以后对模型进行训练,需要再次采集大量的图片进行训练保证模型的稳定。
所述卷积神经网络的结构为16层,由13个卷积层和3个池化层堆叠而成,所述卷积层均采用相同的卷积核参数,卷积层均表示为conv3-XXX,其中conv3说明该卷积层采用的卷积核的尺寸(kernel size)是3,即宽(width)和高(height)均为3,3*3是很小的卷积核尺寸,结合其它参数(步幅stride=1,填充方式padding=same),这样就能够使得每一个卷积层(张量)与前一层(张量)保持相同的宽和高。XXX代表卷积层的通道数。
所述获取实际图像步骤包括实际图像数据预处理步骤,所述预处理步骤包括归一化为同尺寸灰度图。
本发明还揭示了一种基于神经网络算法的导电粒子的检测装置,包括:
训练单元,用于获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类单元,用于获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
本发明通过采集的图像训练成模型,能分类检测出导电粒子的优劣,从而为实现工业目标物的自动检测和识别提供技术支持;另外还可进行图像增强、亮度变换、图像仿射变化等处理,增强视觉分析的便捷性和识别精度,大大地节约了人工费用并且提高效率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络算法的导电粒子的检测方法,其特征在于,包括如下步骤:
训练步骤,获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类步骤,获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
2.根据权利要求1所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述获取训练图像数据集,具体步骤包括采用200万像素及以上的CCD摄像头,对实际场景中的目标物体进行图像采集,并根据实际信息设置调整摄像头的拍摄参数,得到同一目标物体的多个图像,从而获得符合要求的的图像数据。
3.根据权利要求2所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述实际信息包括场景光线、目标物体自身特征。
4.根据权利要求3所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述设置调整摄像头的拍摄参数,具体为调节位于摄像头周围的五个光源、调节摄像头与目标物之体间的高度差、以及调节摄像头的拍摄角度,所述五个光源为1个环形光和4个条形光,所述高度差范围在10cm-150cm。
5.根据权利要求4所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述摄像头通过GigE通讯方式传送图像数据。
6.根据权利要求1所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述标注训练图像数据集构建训练样本,具体包括
图像标准化预处理步骤,将图像尺寸进行归一化处理;
图像处理步骤,对于采集的图像数据进行降噪处理,滤波处理;
标注步骤,对于处理过后的图像数据进行标注,把导电粒子进行残优品分类,得到训练样本。
7.根据权利要求1所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型,具体步骤包括两个阶段:
第一阶段,向前传播阶段:
从样本集中取一个样本(X,YP),将X输入网络;
计算相应的实际输出0P;
在此阶段,信息从输入层经过逐级的变换,传送到输出层,网络执行的计算是:
0P=Fn(...(F2(Fi(XPW(1))W(2))...,)W(n))
在计算过程中,都是用Sigmoid作为激活函数;
第二阶段,向后传播阶段:
计算实际输出0P与相应的理想输出YP的差;
按极小化误差的方法反向传播调整权矩阵。
8.根据权利要求1所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述卷积神经网络的结构为16层,由13个卷积层和3个池化层堆叠而成,所述卷积层均采用相同的卷积核参数,其中卷积层采用的卷积核的宽和高均为3。
9.根据权利要求1所述的基于神经网络算法的导电粒子的检测方法,其特征在于,所述获取实际图像步骤包括实际图像数据预处理步骤,所述预处理步骤包括归一化为同尺寸灰度图。
10.一种基于神经网络算法的导电粒子的检测装置,其特征在于,包括:
训练单元,用于获取训练图像数据集,标注训练图像数据集构建训练样本,将训练样本输入卷积神经网络,获得卷积神经网络的连接权值和偏置值,进而获得卷积神经网络训练模型;
检测分类单元,用于获取实际图像,输入进所述卷积神经网络训练模型,获得导电粒子的检测结果,并分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789732.6A CN110717378A (zh) | 2019-08-26 | 2019-08-26 | 基于神经网络算法的导电粒子的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789732.6A CN110717378A (zh) | 2019-08-26 | 2019-08-26 | 基于神经网络算法的导电粒子的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717378A true CN110717378A (zh) | 2020-01-21 |
Family
ID=69209463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789732.6A Pending CN110717378A (zh) | 2019-08-26 | 2019-08-26 | 基于神经网络算法的导电粒子的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717378A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012139A (zh) * | 2021-03-29 | 2021-06-22 | 南京奥纵智能科技有限公司 | 一种用于液晶屏的导电粒子缺陷检测的深度学习算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463180A (zh) * | 2014-12-31 | 2015-03-25 | 深圳市华星光电技术有限公司 | 识别导电粒子压痕的方法 |
CN108123051A (zh) * | 2016-11-30 | 2018-06-05 | 株式会社半导体能源研究所 | 发光元件、发光装置、电子设备、显示装置及照明装置 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN110020691A (zh) * | 2019-04-11 | 2019-07-16 | 重庆信息通信研究院 | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 |
-
2019
- 2019-08-26 CN CN201910789732.6A patent/CN110717378A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463180A (zh) * | 2014-12-31 | 2015-03-25 | 深圳市华星光电技术有限公司 | 识别导电粒子压痕的方法 |
CN108123051A (zh) * | 2016-11-30 | 2018-06-05 | 株式会社半导体能源研究所 | 发光元件、发光装置、电子设备、显示装置及照明装置 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN110020691A (zh) * | 2019-04-11 | 2019-07-16 | 重庆信息通信研究院 | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
何俊杰: ""基于深度学习的TFT-LCD线路缺陷检测研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012139A (zh) * | 2021-03-29 | 2021-06-22 | 南京奥纵智能科技有限公司 | 一种用于液晶屏的导电粒子缺陷检测的深度学习算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
Le et al. | Automatic defect inspection for coated eyeglass based on symmetrized energy analysis of color channels | |
CN103091331B (zh) | 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法 | |
JP2018180545A (ja) | 欠陥検出方法、欠陥検出のためのシステムおよび訓練方法 | |
CN110726724A (zh) | 缺陷检测方法、系统和装置 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
Yahiaoui et al. | Overview and empirical analysis of ISP parameter tuning for visual perception in autonomous driving | |
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112164048B (zh) | 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置 | |
WO2020259416A1 (zh) | 图像采集控制方法、装置、电子设备及存储介质 | |
CN111339830A (zh) | 一种基于多模态数据特征的目标分类方法 | |
CN111080615A (zh) | 基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
CN110837860A (zh) | 基于深度学习的贴片检测方法及相关系统 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
Wang et al. | A multiple-stage defect detection model by convolutional neural network | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN117456195A (zh) | 基于深度融合的异常图像识别方法及系统 | |
CN110717378A (zh) | 基于神经网络算法的导电粒子的检测方法及装置 | |
Kim et al. | Real-time assessment of surface cracks in concrete structures using integrated deep neural networks with autonomous unmanned aerial vehicle | |
Zhao et al. | A multiple feature-maps interaction pyramid network for defect detection of steel surface | |
Jia et al. | A review of deep learning-based approaches for defect detection in smart manufacturing | |
CN114627090A (zh) | 一种基于注意力机制的卷积神经网络光学镜片缺陷检测方法 | |
Fursa et al. | Worsening perception: Real-time degradation of autonomous vehicle perception performance for simulation of adverse weather conditions |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210918 Address after: 264000 room 3101, block C, Range Rover residence, No. 588, Gangcheng East Street, Laishan District, Yantai City, Shandong Province Applicant after: Yantai perceptual line Intelligent Technology Co.,Ltd. Address before: Room 405, building 3, software park, No. 78, Keling Road, high tech Zone, Suzhou, Jiangsu 215163 Applicant before: Suzhou perceptual line Intelligent Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |