CN110766664B - 一种基于深度学习的电子元器件外观不良品的检测方法 - Google Patents

一种基于深度学习的电子元器件外观不良品的检测方法 Download PDF

Info

Publication number
CN110766664B
CN110766664B CN201910933616.7A CN201910933616A CN110766664B CN 110766664 B CN110766664 B CN 110766664B CN 201910933616 A CN201910933616 A CN 201910933616A CN 110766664 B CN110766664 B CN 110766664B
Authority
CN
China
Prior art keywords
layer
multiplied
convolution
convolutional
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.)
Active
Application number
CN201910933616.7A
Other languages
English (en)
Other versions
CN110766664A (zh
Inventor
郑小青
刘峰
姚莉
陈杰
郑松
孔亚广
王洪成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
A Blue Whale Hangzhou Network Technology Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910933616.7A priority Critical patent/CN110766664B/zh
Publication of CN110766664A publication Critical patent/CN110766664A/zh
Application granted granted Critical
Publication of CN110766664B publication Critical patent/CN110766664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习技术的电子元器件外观不良品的自动检测方法。该方法包括：数据集收集与标记；对数据集的图像进行数据增强；构建一个简单高效的卷积神经网络模型；将数据集样本图片输入到上述卷积神经网络模型中进行迭代训练，获得最佳检测模型；将采集得到的图像输入到深度学习检测模型中进行图像类别的识别；将深度学习检测模型识别的不良品进行生产线上的自动剔除，从而提高产品品质。

Description

一种基于深度学习的电子元器件外观不良品的检测方法
技术领域
本发明属于电子元器件外观不良品检测领域，具体来说是一种基于深度学习技术的电子元器件外观不良品检测方法。
背景技术
电子元器件外观不良品是指含有包括表面凹点、划痕、擦伤、孔洞、污点、毛刺等的产品。在制造过程中，这些外观不良品的产生往往很难完全避免，但这对电子元器件的性能和品质产生了极大的负面影响。目前通常采用的电子元器件外观不良品的自动检测方法为AOI自动光学检测系统，它通过CCD/CMOS摄像机对目标产品进行扫描采集到图像，再将图像和系统中预设的良品图像进行比较，从而识别外观不良品。但这种检测系统受到良品图像设定标准的影响，如果标准设定太严，则误判太多，标准设定太宽，又会漏检，造成了检测的局限性。
发明内容
本发明的目标是针对现有技术的不足之处，提供一种无需良品图像作为比较基准的电子元器件外观不良品的自动检测方法及装置，以提高电子元器件在线检测的鲁棒性。
为了实现上述目的，设计一种基于深度学习技术的电子元器件外观不良品的自动检测方法，该首先通过离线训练过程获得深度学习检测模型，然后在获得上述深度学习检测模型的基础上，对电子元器件不良品实现在线的自动检测，具体设计步骤如下：
步骤1：数据集收集与标记。收集一类电子元器件不良品样本图像，将其按表面凹点、划痕、擦伤、孔洞、污点、毛刺进行分类标记；同时收集一类含字符或含有随机噪声的电子元器件良品样本图像进行标记。因为电子元器件表面经常会印刷字符，这是正常的，但是存在字符和缺陷容易混合、较难区分的情形，从而被误判为不良品图像；在图像采集过程中会引入随机噪声，这是正常的，但它会和某些类型的不良品特征相似，从而被误判为不良品图像。将收集的上述两类样本图像作为数据集。
步骤2：对数据集的样本图像进行数据增强。将数据集中所有样本图像按翻转、剪裁、缩放、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。
步骤3：构建卷积神经网络模型。该网络结构第一层为卷积层，是16个感受野大小为5×5的卷积核，步长为1，边缘填充为2，该层输出为16通道、尺寸为224×224的特征图；
第二层采用重叠的最大池化层，是感受野大小为2×2的卷积核，步长为2，边缘填充为1，该层输出为16通道，尺寸为112×112的特征图；
第三层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1。最后将左右两个分支的输出进行拼接，该层输出为64个通道，尺寸为112×112的特征图；
第四层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为64通道，尺寸为56×56的特征图；
第五层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是64个感受野大小为1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1。最后将左右两个分支的输出进行拼接，该层输出为128通道，尺寸为56×56的特征图；
第六层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为128通道，尺寸为28×28的特征图；
第七层是全连接层，用于将上层的多维特征图转换成一维的特征图进行输出；
第八层为softmax分类层，用于计算输出属于每一类的概率。
步骤4：获得深度学习检测模型。将数据集样本图片大小缩放为224×224×3，输入到上述卷积神经网络模型中进行迭代训练。迭代训练过程中，每次从训练样本中提取100个样本参与训练并进行批量归一化。设置迭代周期数，每迭代一个周期，将验证样本集输入模型中识别准确率。如果最后的准确率不满足要求，可增加迭代周期数，对参数进行微调重新训练。迭代训练的目的是使验证集获得最高的分类精确度，即该模型对数据集中标记过的类别特征能最高程度地自动识别，此时模型的权重参数为最优权重参数，此最优权重参数下的模型为深度学习检测模型。
步骤5：采集实际待检测电子元器件彩色外观图像。在获得上述深度学习检测模型的基础上，对电子元器件不良品实现在线的自动检测。通过CCD/CMOS摄像机对电子元器件产品进行扫描，采集电子元器件彩色外观图像。
步骤6：将步骤5采集得到的彩色外观图像输入到深度学习检测模型中进行图像类别的识别。在一般的AOI光学自动检测系统中，通常都是对图像先进行滤波等预处理以消除随机噪声，然后再进行图像类别识别。本方法不需要经过滤波等预处理步骤，因为在数据集中已经放置了随机噪声样本作为类别被自动识别。识别的结果用于判断输入的图像是表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品图像，还是为含字符、随机噪声这类良品图像。
步骤7：将深度学习检测模型识别为表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品进行生产线上的自动剔除，从而提高产品品质。
与现有技术相比，本发明的有益效果是：
本发明的电子元器件外观不良品自动检测方法可以克服AOI光学检测系统中需要以良品图像为比较模板并通常需要人工设计缺陷特征的缺点，能利用深度学习技术自动地从预先标记好的样本数据集中学习特征，具有很强的适应性。
附图说明
图1为本发明的总体设计流程图。
图2为本发明构建的卷积神经网络模型。
具体实施方式
为了更清楚地说明本发明的技术方案，下面将对照附图说明本发明的具体实施方式。
如图1所示，首先通过离线训练过程获得深度学习检测模型，然后在获得上述深度学习检测模型的基础上，对电子元器件不良品实现在线的自动检测，具体设计步骤如下：
步骤1：数据集收集与标记。收集一类电子元器件不良品样本图像，将其按表面凹点、划痕、擦伤、孔洞、污点、毛刺进行分类标记；同时收集一类含字符或含有随机噪声的电子元器件良品样本图像进行标记。因为电子元器件表面经常会印刷字符，这是正常的，但是存在字符和缺陷容易混合、较难区分的情形，从而被误判为不良品图像；在图像采集过程中会引入随机噪声，这是正常的，但它会和某些类型的不良品特征相似，从而被误判为不良品图像。将收集的上述两类样本图像作为数据集。
步骤2：对数据集的样本图像进行数据增强。将数据集中所有样本图像按翻转、剪裁、缩放、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。
步骤3：构建卷积神经网络模型。如图2所示，该网络结构第一层为卷积层，是16个感受野大小为5×5的卷积核，步长为1，边缘填充为2，该层输出为16通道、尺寸为224×224的特征图；
第二层采用重叠的最大池化层，是感受野大小为2×2的卷积核，步长为2，边缘填充为1，该层输出为16通道，尺寸为112×112的特征图；
第三层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1。最后将左右两个分支的输出进行拼接，该层输出为64个通道，尺寸为112×112的特征图；
第四层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为64通道，尺寸为56×56的特征图；
第五层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是64个感受野大小为1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1。最后将左右两个分支的输出进行拼接，该层输出为128通道，尺寸为56×56的特征图；
第六层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为128通道，尺寸为28×28的特征图；
第七层是全连接层，用于将上层的多维特征图转换成一维的特征图进行输出；
第八层为softmax分类层，用于计算输出属于每一类的概率。
步骤4：获得深度学习检测模型。将数据集样本图片大小缩放为224×224×3，输入到上述卷积神经网络模型中进行迭代训练。迭代训练过程中，每次从训练样本中提取100个样本参与训练并进行批量归一化。设置迭代周期数，每迭代一个周期，将验证样本集输入模型中识别准确率。如果最后的准确率不满足要求，可增加迭代周期数，对参数进行微调重新训练。迭代训练的目的是使验证集获得最高的分类精确度，即该模型对数据集中标记过的类别特征能最高程度地自动识别，此时模型的权重参数为最优权重参数，此最优权重参数下的模型为深度学习检测模型；
步骤5：采集实际待检测电子元器件彩色外观图像。在获得上述深度学习检测模型的基础上，对电子元器件不良品实现在线的自动检测。通过CCD/CMOS摄像机对电子元器件产品进行扫描，采集电子元器件彩色外观图像；
步骤6：将步骤5采集得到的彩色外观图像输入到深度学习检测模型中进行图像类别的识别。在一般的AOI光学自动检测系统中，通常都是对图像先进行滤波等预处理以消除随机噪声，然后再进行图像类别识别。本方法不需要经过滤波等预处理步骤，因为在数据集中已经放置了随机噪声样本作为类别被自动识别。识别的结果用于判断输入的图像是表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品图像，还是为含字符、随机噪声这类良品图像。
步骤7：将深度学习检测模型识别为表面凹点、划痕、擦伤、孔洞、污点、毛刺的不良品进行生产线上的自动剔除，从而提高产品品质。

Claims (1)

1.一种基于深度学习的电子元器件外观不良品的检测方法，其特征在于该方法包括以下步骤:
步骤1：数据集收集与标记；收集一类电子元器件不良品样本图像，将其按表面凹点、划痕、擦伤、孔洞、污点、毛刺进行分类标记；同时收集一类含字符或含有随机噪声的电子元器件良品样本图像进行标记；将收集的上述两类样本图像作为数据集；
步骤2：对数据集的样本图像进行数据增强；将数据集中所有样本图像按翻转、剪裁、缩放、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集；
步骤3：构建卷积神经网络模型；该网络结构第一层为卷积层，是16个感受野大小为5×5的卷积核，步长为1，边缘填充为2，该层输出为16通道、尺寸为224×224的特征图；
第二层采用重叠的最大池化层，是感受野大小为2×2的卷积核，步长为2，边缘填充为1，该层输出为16通道，尺寸为112×112的特征图；
第三层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层；其中左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是32个受野大小为3×3的卷积核，步长为1，边缘填充为1；最后将左右两个分支的输出进行拼接，该层输出为64个通道，尺寸为112×112的特征图；
第四层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为64通道，尺寸为56×56的特征图；
第五层采用并联结构的卷积层，包含左分支的一个卷积层和右分支的两个级联结构的卷积层；其中左分支的卷积层是64个感受野大小为1×1的卷积核，步长为1，边缘填充为0；右分支两个级联的卷积层，上级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1；下级卷积层是64个感受野大小为3×3的卷积核，步长为1，边缘填充为1；最后将左右两个分支的输出进行拼接，该层输出为128通道，尺寸为56×56的特征图；
第六层采用最大池化层，是感受野大小为2×2的卷积层，步长为2，边缘填充为1，该层输出为128通道，尺寸为28×28的特征图；
第七层是全连接层，用于将上层的多维特征图转换成一维的特征图进行输出；
第八层为softmax分类层，用于计算输出属于每一类的概率；
步骤4：获得深度学习检测模型；将数据集样本图片大小缩放为224×224×3，输入到上述卷积神经网络模型中进行迭代训练；迭代训练过程中，每次从训练样本中提取100个样本参与训练并进行批量归一化；设置迭代周期数，每迭代一个周期，将验证样本集输入模型中识别准确率；如果最后的准确率不满足要求，增加迭代周期数，对参数进行微调重新训练；迭代训练的目的是使验证集获得最高的分类精确度，即该模型对数据集中标记过的类别特征能最高程度地自动识别，此时模型的权重参数为最优权重参数，此最优权重参数下的模型为深度学习检测模型；
步骤5：采集实际待检测电子元器件彩色外观图像；在获得上述深度学习检测模型的基础上，对电子元器件不良品实现在线的自动检测；通过CCD/CMOS摄像机对电子元器件产品进行扫描，采集电子元器件彩色外观图像；
步骤6：将步骤5采集得到的彩色外观图像输入到深度学习检测模型中进行图像类别的识别；识别的结果用于判断输入的图像是表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品图像，还是为含字符、随机噪声这类良品图像；
步骤7：将深度学习检测模型识别为表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品进行生产线上的自动剔除，从而提高产品品质。
CN201910933616.7A 2019-09-29 2019-09-29 一种基于深度学习的电子元器件外观不良品的检测方法 Active CN110766664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933616.7A CN110766664B (zh) 2019-09-29 2019-09-29 一种基于深度学习的电子元器件外观不良品的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933616.7A CN110766664B (zh) 2019-09-29 2019-09-29 一种基于深度学习的电子元器件外观不良品的检测方法

Publications (2)

Publication Number Publication Date
CN110766664A CN110766664A (zh) 2020-02-07
CN110766664B true CN110766664B (zh) 2021-09-14

Family

ID=69330880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933616.7A Active CN110766664B (zh) 2019-09-29 2019-09-29 一种基于深度学习的电子元器件外观不良品的检测方法

Country Status (1)

Country Link
CN (1) CN110766664B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402203B (zh) * 2020-02-24 2024-03-01 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法
CN113837209A (zh) * 2020-06-23 2021-12-24 乐达创意科技股份有限公司 改良机器学习使用数据进行训练的方法及系统
CN111932511B (zh) * 2020-08-04 2022-08-12 南京工业大学 一种基于深度学习的电子元器件质量检测方法与系统
CN111929311B (zh) * 2020-10-15 2021-01-05 北京中鼎高科自动化技术有限公司 一种一站式智能缺陷检测系统
CN112730440A (zh) * 2020-12-29 2021-04-30 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件外壳缺陷检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069778A (zh) * 2015-07-16 2015-11-18 西安工程大学 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN107657603A (zh) * 2017-08-21 2018-02-02 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN109239102A (zh) * 2018-08-21 2019-01-18 南京理工大学 一种基于cnn的柔性电路板外观缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069778A (zh) * 2015-07-16 2015-11-18 西安工程大学 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN107657603A (zh) * 2017-08-21 2018-02-02 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN109239102A (zh) * 2018-08-21 2019-01-18 南京理工大学 一种基于cnn的柔性电路板外观缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The Detection of Electrical and Electronics Components using K nearest Neighbor (KNN) classification Algorithm;Manasa K chigateri et al.;《International Research Journal of Engineering and Technology》;20160531;第169-175页 *
基于DOG特征与深度学习的工件表面缺陷检测算法;常博;《电子测量技术》;20190731;第28-32页 *

Also Published As

Publication number Publication date
CN110766664A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110766664B (zh) 一种基于深度学习的电子元器件外观不良品的检测方法
CN111751253B (zh) 一种混凝土骨料检测模型的形成方法及质量检测方法
CN109239102B (zh) 一种基于cnn的柔性电路板外观缺陷检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN110543878A (zh) 一种基于神经网络的指针仪表读数识别方法
CN107194418B (zh) 一种基于对抗特征学习的水稻蚜虫检测方法
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN113554631B (zh) 一种基于改进网络的芯片表面缺陷检测方法
CN111275679A (zh) 一种基于图像的太阳能电池缺陷检测系统及方法
CN110942450A (zh) 一种基于深度学习的多生产流水线实时缺陷检测方法
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质
CN110349125A (zh) 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN109612961B (zh) 海岸环境微塑料的开集识别方法
CN113506239B (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN109978014A (zh) 一种融合密集连接结构的柔性基板缺陷检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN111028207B (zh) 基于即时-通用特征提取网络的纽扣瑕疵检测方法
CN109101976A (zh) 一种灭弧栅片表面缺陷的检测方法
CN115861170A (zh) 基于改进yolo v4算法的表面缺陷检测方法
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN111882547A (zh) 一种基于神经网络的pcb漏件检测方法
CN108982544B (zh) 一种印制电路板瑕疵部件检测方法
CN113298857A (zh) 一种基于神经网络融合策略的轴承缺陷检测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zheng Xiaoqing

Inventor after: Liu Feng

Inventor after: Yao Li

Inventor after: Chen Jie

Inventor after: Zheng Song

Inventor after: Kong Yaguang

Inventor after: Wang Hongcheng

Inventor before: Zheng Xiaoqing

Inventor before: Chen Jie

Inventor before: Zheng Song

Inventor before: Wang Hongcheng

Inventor before: Kong Yaguang

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240625

Address after: Room 3565, 5th Floor, Building 4, No. 88 Renhe Avenue, Renhe Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000

Patentee after: A Blue Whale (Hangzhou) Network Technology Co.,Ltd.

Country or region after: China

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

Country or region before: China