CN111460946A - 一种基于图像的芯片信息快速采集和识别方法 - Google Patents
一种基于图像的芯片信息快速采集和识别方法 Download PDFInfo
- Publication number
- CN111460946A CN111460946A CN202010215902.2A CN202010215902A CN111460946A CN 111460946 A CN111460946 A CN 111460946A CN 202010215902 A CN202010215902 A CN 202010215902A CN 111460946 A CN111460946 A CN 111460946A
- Authority
- CN
- China
- Prior art keywords
- chip
- model
- pictures
- chips
- image
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
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
本发明公开了一种基于图像的芯片信息快速采集和识别方法,包括:步骤一:搭建芯片图像采集装置,在装置中能够通过摄像头采集N种型号芯片的图像;步骤二:采集N种型号芯片的视频信息;步骤三:将芯片视频转化为多张图片,筛选出芯片未被遮挡和图像不模糊的图片生成芯片型号图片数据集;步骤四:建立深度学习芯片识别模型,将芯片型号图片数据集分为训练集和测试集,使用训练集进行模型训练并保存模型参数值;步骤五:使用测试集验证芯片识别模型的性能;步骤六:使用芯片图像采集装置获取待识别的不同型号芯片的照片,将照片输入芯片识别模型中进行芯片型号的识别。本发明能够有效消除背景和光线等环境因素影响,实现芯片识别的功能。
Description
技术领域
本发明属于电子器件识别技术领域,具体涉及一种基于图像的芯片信息快速采集和识别方法。
背景技术
目前大多数芯片识别方法主要使用模式匹配算法实现。在模式匹配算法中,主要使用图像处理技术对图片进行灰度、二值化、旋转、缩放等一系列操作,再利用图像匹配算法获取芯片的边缘,从而实现芯片的定位与识别。模式匹配方式识别芯片已在实际生产中广泛应用,在稳定环境下的芯片识别准确率极高,不过这些算法主要对芯片边缘进行提取,所以对光线、背景有严格的要求,对于变化场景的适应性较低。一般现有芯片模式匹配方式的识别方法都在设备内部运作,识别环境相对稳定,并不能实现背景、光线条件变化较大环境下的准确识别。
发明内容
本发明的目的在于提供一种能在复杂光线条件、不同芯片位置或变化图像背景下准确识别出芯片型号的方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于图像的芯片信息快速采集和识别方法,其特征在于,包括以下步骤:
步骤一:搭建芯片图像采集装置,在所述装置中在有光照的情况下能够通过摄像头采集N种型号芯片的图像,N≥2;
步骤二:在以下四种情况的至少一种情况下采集N种型号芯片的视频信息,所述四种情况为:改变光照、改变芯片位置、添加干扰、改变芯片摆放背景;
步骤三:将步骤二中采集的芯片视频转化为多张图片,筛选出芯片未被遮挡和图像不模糊的图片生成芯片型号图片数据集;
步骤四:建立深度学习芯片识别模型,将芯片型号图片数据集分为训练集和测试集,使用训练集进行模型训练并保存模型参数值;
步骤五:使用测试集验证芯片识别模型的性能,将测试集导入模型中并运行模型,将预测结果和实际结果进行比较,若芯片识别准确率未达到预设值则提高步骤三中的筛选标准直至芯片识别准确率达到预设值,最终得到符合要求的模型参数值;
步骤六:使用芯片图像采集装置获取待识别的不同型号芯片的照片,将照片输入芯片识别模型中进行芯片型号的识别。
进一步地,所述步骤一中的芯片图像采集装置包括摄像头、支架、华夫盒、载物平台和光源,所述华夫盒放置于载物平台上,所述芯片放置于华夫盒上,所述摄像头通过所述支架设置于所述芯片上方,所述摄像头拍摄方向与载物平台垂直。
进一步地,所述步骤二中的改变光照的情况包括:遮挡光源或调节光源的亮度;改变芯片位置的情况包括:在水平方向转动或移动华夫盒;添加干扰的情况包括:在摄像头视野中增添非芯片物体;改变芯片摆放背景的情况包括:改变华夫盒底部和/或载物平台上表面的背景,所述背景包括颜色和花纹。
进一步地,所述步骤三具体包括:使用python和opencv库中的VideoCapture函数逐帧读取视频信息,将视频批量转换为图片,然后将这些图片按时间顺序编号,存放到以芯片型号命名的文件夹中,筛选出芯片未被遮挡和图像不模糊的图片,在筛选出的图片中每两张图片删去一张,将剩余图片进行180度的旋转,获得翻倍的图片数量并生成芯片型号图片数据集。
进一步地,所述步骤四中的芯片识别模型包括一层缩放层、两层卷积层、一层池化层、两层全连接层,在图片输入后,先在缩放层使用tf.image.resize函数将原尺寸为1920x1080像素的彩色图像缩小至192x108像素的彩色图片,在第一层卷积层使用tf.keras.layers.Conv2D函数,设置64个3x3的卷积核,使用‘same’卷积方式以及‘relu’激活函数对输入的192x108x3的图像进行二维卷积操作,获得尺寸为192x108x64的张量,第二层也使用tf.keras.layers.Conv2D函数,参数与第一层相同,只是不指定输入张量的形状,输出尺寸为192x108x64的张量,第三层池化层使用tf.keras.layers.MaxPool2D函数,设定在竖直和水平方向上的下采样因子为2,即张量在两个维度上均变为原长的一半,输出尺寸为96x54x64的张量,在第一层全连接层中,先使用tf.keras.layers.Flatten函数将96x54x64的张量拉伸为1x331776的一维张量,再使用tf.keras.layers.Dense函数进行全连接处理,得到1x512的一维张量,该过程的激活函数为‘relu’,在第二层全连接层中,使用tf.keras.layers.Dense函数,设置激活函数为‘softmax’,进行处理后得到N个概率值,分别对应N种芯片,N个概率值之和为1。
进一步地,所述步骤四中将芯片型号图片数据集分为训练集和测试集具体为:将芯片型号图片数据集按芯片类型分为N组,在各组内随机打乱图片顺序,各组图片中取出前七分之一的图片添加到测试集,剩余图片添加到训练集。
进一步地,将训练集导入芯片识别模型中进行30轮数的模型训练并保存模型参数值,训练过程使用的优化器函数为tf.keras.optimizers.Adam,其学习率为0.001,损失函数为tf.keras.losses.CategoricalCrossentropy。
进一步地,所述步骤五中的识别准确率预设值为99%。
进一步地,所述步骤六中将照片输入芯片识别模型中进行芯片型号的识别具体为:将步骤六中的不同型号芯片的照片输入芯片识别模型中,模型处理后输出N种概率,取其中概率最高的芯片种类,若该概率值大于等于0.9,则确定该芯片类型为该概率值对应的芯片,若该概率值小于0.9,则认为该芯片不是N种芯片中的任何一种。
进一步地,所述N=12。
本发明与现有技术相比,其显著优点在于:
本发明能够有效消除背景和光线等环境因素影响,实现芯片识别的功能;芯片数据采集过程快速,在短时间内就可以完成芯片的信息采集;图像采集装置搭建简单,保证芯片正常摆放并处于摄像头拍摄视野中,摄像头正对芯片就能达到该方法要求。
附图说明
图1是本发明基于图像的芯片信息快速采集和识别方法流程图。
图2是芯片图像采集装置的结构示意图。
图3是芯片信息采集的流程示意图。
图4是芯片识别模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细的描述。
结合图1-3,一种基于图像的芯片信息快速采集和识别方法,包括以下步骤:
步骤1、搭建图像采集装置,并使用该装置采集芯片视频信息:
1.1、搭建图2中的图像采集装置,该装置包括摄像头1、支架2、华夫盒4、载物平台5和光源。其中摄像头拍摄像素为960X1080,拍摄所获得视频的帧率不低于20帧每秒,摄像头1拍摄方向与载物平台5垂直,并保证华夫盒4在摄像头视野中,摄像头镜头距载物平台13.5厘米,在实际搭建时可根据视野情况调整距离。支架2具体结构可与图2中结构不同,只要保证摄像头的位置正确以及稳定即可。华夫盒4为芯片3的承载容器,不同生产厂家的华夫盒可能存在差异,在拍摄时不会遮挡芯片就可以使用。载物平台5需要为一个接近水平的平面,保证图像采集装置或芯片不会因重力倾倒,对载物平台的外观、表面粗糙度等因素不做要求。
1.2、在不断改变光照、改变芯片位置、添加干扰、改变芯片摆放背景的条件下采集芯片视频信息。芯片摆放于华夫盒上,芯片的摆放方式要与实际生产中的摆放方式相同,不能侧向或翻面放置,更不能堆叠,最后要尽量保持静止,不能较快的移动。在芯片视频信息采集过程中,要模拟复杂的位置、光照和背景环境,可以做出以下操作:不断在水平方向上转动或移动芯片或华夫盒,来改变位置状态;通过遮挡图像采集装置外部光源或改变光源亮度等方法,来改变摄像头视野画面的亮度;在不遮挡芯片的情况下,向摄像头视野中增添其它非芯片类物体,或者更换载物平台的颜色与花纹。视频时长达到3-5分钟长度后就可结束录制,并在视频名称中标注芯片型号,将视频按芯片型号以及开始拍摄时间归档。然后循环步骤1,直到完成所有芯片的信息采集过程,本例子中采集了12种芯片的视频信息。
步骤2、使用算法处理上一步中采集到的视频,并生成芯片型号数据集:
2.1、视频信息处理与筛选。按照图3中的流程,使用python和opencv库中的VideoCapture函数逐帧读取视频图像,将视频批量转换为图片,录制时的视频帧率设置为20帧/秒,即每秒采集20张照片,时长3分钟的视频在转换后可得到3600张图片,然后将这些图片按时间顺序编号,存放到以芯片型号命名的文件夹中。获取到图片后还需要进行筛选。在视频录制过程中,因调整芯片位置或更换背景等操作,芯片可能会被遮挡,需要删去这些芯片被遮挡图片。录制过程中摄像头可能会抖动,造成图像模糊,这些模糊的图像也要删去。为了减少相似的图片,在剩下的图片中每两张图片删去一张。为了增加图片的数量,将剩余图片进行180度的旋转,获得翻倍的图片数量。如果图片数量低于目标值1200张,重复步骤1.2,补充录制。
2.2、生成芯片型号数据集。按图3中的流程把芯片的图片按芯片型号归档。不断重复布置2.1和步骤2.2,直到将这12种芯片录入数据集中。其中所有图片使用“xp2019121200010001”的格式进行编号,其中“xp”为固定开头,“20191212”为该图片存入数据集的时间,接下来4位是芯片编号,最后4位是图片编号。在本例子中直接采集得到12988张图片,平均每种芯片1082张。经过图像旋转处理,图片增加了一倍,最终获得25976张图片,平均每种芯片2164张。
步骤3、建立深度学习模型,使用上一步得到的芯片型号数据集进行模型训练,得到芯片识别模型:
3.1、建立模型。该模型使用Python语言开发,在Keras框架下进行搭建,如图4所示,模型选择一层缩放层、两层卷积层、一层池化层、两层全连接层的共6层结构,能够快速提取图像中的特征信息并降采样,在多分类问题中属于较为有效的模型。下面将详细描述该模型的结构和各参数设置。
在图片输入后,先在图片缩放层使用tf.image.resize函数将原尺寸为1920x1080像素的彩色图像缩小至192x108像素的彩色图片。在第一层卷积层使用tf.keras.layers.Conv2D函数,设置64个3x3的卷积核,使用‘same’卷积方式以及‘relu’激活函数对输入的192x108x3的图像进行二维卷积操作(192x108为图像像素尺寸,3表示彩色图片的三个通道),获得尺寸为192x108x64的张量(其中192x108与输入尺寸对应,64为卷积核的数量)。第二层也使用tf.keras.layers.Conv2D函数,参数与第一层相同,只是不指定输入张量的形状,输出尺寸为192x108x64的张量。第三层池化层使用tf.keras.layers.MaxPool2D函数,设定在两个方向(竖直,水平)上的下采样因子为2,即张量在两个维度上均变为原长的一半,输出尺寸为96x54x64的张量。第4层为全连接层,先使用tf.keras.layers.Flatten函数将96x54x64的张量拉伸为1x331776的一维张量,再使用tf.keras.layers.Dense函数进行全连接处理,得到1x512的一维张量,该过程的激活函数为‘relu’。第五层也为全连接层,记该模型能够检测的芯片种类为N,该层使用tf.keras.layers.Dense函数,并设置激活函数为‘softmax’,进行处理后得到N个概率值,这些概率值之和为1。如果检测类别为12类芯片,那么模型输出结果为12个概率值,分别对应12种芯片。该模型中其它未指出的参数均为各函数的默认值。
3.2、使用芯片型号数据集进行模型训练。训练过程使用的优化器函数为tf.keras.optimizers.Adam,其学习率为0.001,损失函数为tf.keras.losses.CategoricalCrossentropy。按芯片型号将将步骤2.2中的25976张图片的数据集分为12组,在各组内随机打乱图片顺序,各组图片中取出前七分之一的图片添加到测试集,剩余图片添加到训练集。这样就将训练集按约6:1的比例划分为大小为22126张图片的训练集和3850张图片的测试集,并确保训练集与测试集中的图片不存在交集。把训练集导入模型中,进行30轮数的模型训练并保存模型参数值。
3.3、使用测试集验证芯片识别模型的性能。把测试集导入模型中,运行预测程序,将预测结果和实际结果进行比较,在准确率到99%后,才可用于实际芯片识别操作中。若准确率未达99%,可提高步骤2.2中筛选标准。最终得到可使用的模型参数值。
步骤4、图像采集装置获取芯片图片信息,使用训练完成的模型进行芯片快速识别:
4.1、获取芯片图像信息。使用图2中的图像采集装置运行芯片检测程序,芯片检测装置使用Python编写,每1秒运行2次,画面发生变化时截图,调用芯片识别模型进行识别操作。
4.2、使用模型对芯片进行识别。运行芯片识别模型,并加载步骤3.3中得到的可供使用的模型参数值。将获得的图片输入芯片识别模型中,模型处理后输出12种概率。取其中概率最高的芯片种类,若该概率值大于等于0.9,这确定该芯片为该概率值对应的芯片。若该概率值小于0.9,则认为该芯片不是数据集里这12类芯片中的任何一种。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于图像的芯片信息快速采集和识别方法,其特征在于,包括以下步骤:
步骤一:搭建芯片图像采集装置,在所述装置中在有光照的情况下能够通过摄像头采集N种型号芯片的图像,N≥2;
步骤二:在以下四种情况的至少一种情况下采集N种型号芯片的视频信息,所述四种情况为:改变光照、改变芯片位置、添加干扰、改变芯片摆放背景;
步骤三:将步骤二中采集的芯片视频转化为多张图片,筛选出芯片未被遮挡和图像不模糊的图片生成芯片型号图片数据集;
步骤四:建立深度学习芯片识别模型,将芯片型号图片数据集分为训练集和测试集,使用训练集进行模型训练并保存模型参数值;
步骤五:使用测试集验证芯片识别模型的性能,将测试集导入模型中并运行模型,将预测结果和实际结果进行比较,若芯片识别准确率未达到预设值则提高步骤三中的筛选标准直至芯片识别准确率达到预设值,最终得到符合要求的模型参数值;
步骤六:使用芯片图像采集装置获取待识别的不同型号芯片的照片,将照片输入芯片识别模型中进行芯片型号的识别。
2.根据权利要求1所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤一中的芯片图像采集装置包括摄像头(1)、支架(2)、华夫盒(4)、载物平台(5)和光源,所述华夫盒(4)放置于载物平台(5)上,所述芯片(3)放置于华夫盒(4)上,所述摄像头(1)通过所述支架(2)设置于所述芯片(3)上方,所述摄像头(1)拍摄方向与载物平台(5)垂直。
3.根据权利要求2所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤二中的改变光照的情况包括:遮挡光源或调节光源的亮度;改变芯片位置的情况包括:在水平方向转动或移动华夫盒(4);添加干扰的情况包括:在摄像头(1)视野中增添非芯片物体;改变芯片摆放背景的情况包括:改变华夫盒(4)底部和/或载物平台(5)上表面的背景,所述背景包括颜色和花纹。
4.根据权利要求3所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤三具体包括:使用python和opencv库中的VideoCapture函数逐帧读取视频信息,将视频批量转换为图片,然后将这些图片按时间顺序编号,存放到以芯片型号命名的文件夹中,筛选出芯片未被遮挡和图像不模糊的图片,在筛选出的图片中每两张图片删去一张,将剩余图片进行180度的旋转,获得翻倍的图片数量并生成芯片型号图片数据集。
5.根据权利要求4所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤四中的芯片识别模型包括一层缩放层、两层卷积层、一层池化层、两层全连接层,在图片输入后,先在缩放层使用tf.image.resize函数将原尺寸为1920x1080像素的彩色图像缩小至192x108像素的彩色图片,在第一层卷积层使用tf.keras.layers.Conv2D函数,设置64个3x3的卷积核,使用‘same’卷积方式以及‘relu’激活函数对输入的192x108x3的图像进行二维卷积操作,获得尺寸为192x108x64的张量,第二层也使用tf.keras.layers.Conv2D函数,参数与第一层相同,只是不指定输入张量的形状,输出尺寸为192x108x64的张量,第三层池化层使用tf.keras.layers.MaxPool2D函数,设定在竖直和水平方向上的下采样因子为2,即张量在两个维度上均变为原长的一半,输出尺寸为96x54x64的张量,在第一层全连接层中,先使用tf.keras.layers.Flatten函数将96x54x64的张量拉伸为1x331776的一维张量,再使用tf.keras.layers.Dense函数进行全连接处理,得到1x512的一维张量,该过程的激活函数为‘relu’,在第二层全连接层中,使用tf.keras.layers.Dense函数,设置激活函数为‘softmax’,进行处理后得到N个概率值,分别对应N种芯片,N个概率值之和为1。
6.根据权利要求5所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤四中将芯片型号图片数据集分为训练集和测试集具体为:将芯片型号图片数据集按芯片类型分为N组,在各组内随机打乱图片顺序,各组图片中取出前七分之一的图片添加到测试集,剩余图片添加到训练集。
7.根据权利要求6所述的基于图像的芯片信息快速采集和识别方法,其特征在于,将训练集导入芯片识别模型中进行30轮数的模型训练并保存模型参数值,训练过程使用的优化器函数为tf.keras.optimizers.Adam,其学习率为0.001,损失函数为tf.keras.losses.CategoricalCrossentropy。
8.根据权利要求7所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤五中的识别准确率预设值为99%。
9.根据权利要求8所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述步骤六中将照片输入芯片识别模型中进行芯片型号的识别具体为:将步骤六中的不同型号芯片的照片输入芯片识别模型中,模型处理后输出N种概率,取其中概率最高的芯片种类,若该概率值大于等于0.9,则确定该芯片类型为该概率值对应的芯片,若该概率值小于0.9,则认为该芯片不是N种芯片中的任何一种。
10.根据权利要求1-9任一项所述的基于图像的芯片信息快速采集和识别方法,其特征在于,所述N=12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215902.2A CN111460946A (zh) | 2020-03-25 | 2020-03-25 | 一种基于图像的芯片信息快速采集和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215902.2A CN111460946A (zh) | 2020-03-25 | 2020-03-25 | 一种基于图像的芯片信息快速采集和识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460946A true CN111460946A (zh) | 2020-07-28 |
Family
ID=71680863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215902.2A Withdrawn CN111460946A (zh) | 2020-03-25 | 2020-03-25 | 一种基于图像的芯片信息快速采集和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460946A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560836A (zh) * | 2020-11-09 | 2021-03-26 | 联想(北京)有限公司 | 一种元器件识别方法、装置以及计算机可读存储介质 |
CN113920289A (zh) * | 2021-09-26 | 2022-01-11 | 广西大学 | 一种基于深度学习的芯片imei码检测识别方法 |
CN116953486A (zh) * | 2023-09-18 | 2023-10-27 | 深圳华海达科技有限公司 | 一种芯片测试治具及芯片检测方法 |
CN117573153A (zh) * | 2024-01-12 | 2024-02-20 | 深圳市迈腾电子有限公司 | 路由器芯片烧录方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-03-25 CN CN202010215902.2A patent/CN111460946A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560836A (zh) * | 2020-11-09 | 2021-03-26 | 联想(北京)有限公司 | 一种元器件识别方法、装置以及计算机可读存储介质 |
CN113920289A (zh) * | 2021-09-26 | 2022-01-11 | 广西大学 | 一种基于深度学习的芯片imei码检测识别方法 |
CN116953486A (zh) * | 2023-09-18 | 2023-10-27 | 深圳华海达科技有限公司 | 一种芯片测试治具及芯片检测方法 |
CN116953486B (zh) * | 2023-09-18 | 2023-12-05 | 深圳华海达科技有限公司 | 一种芯片测试治具及芯片检测方法 |
CN117573153A (zh) * | 2024-01-12 | 2024-02-20 | 深圳市迈腾电子有限公司 | 路由器芯片烧录方法、装置、电子设备和计算机可读介质 |
CN117573153B (zh) * | 2024-01-12 | 2024-04-30 | 深圳市迈腾电子有限公司 | 路由器芯片烧录方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460946A (zh) | 一种基于图像的芯片信息快速采集和识别方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
US9031317B2 (en) | Method and apparatus for improved training of object detecting system | |
US9449253B2 (en) | Learning painting styles for painterly rendering | |
US20020186881A1 (en) | Image background replacement method | |
CN109272060B (zh) | 一种基于改进的darknet神经网络进行目标检测的方法和系统 | |
CN110766050B (zh) | 模型生成方法、文本识别方法、装置、设备及存储介质 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
US20220180122A1 (en) | Method for generating a plurality of sets of training image data for training machine learning model | |
CN113392669B (zh) | 一种图像信息检测方法、检测装置及存储介质 | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN107977989A (zh) | 一种确定图像偏移量的方法及设备 | |
CN113159064A (zh) | 基于精简的YOLOv3电路板电子元件目标检测的方法与装置 | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN112651989A (zh) | 基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和系统 | |
CN113807378A (zh) | 训练数据增量方法、电子装置与计算机可读记录介质 | |
CN114332183A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及系统 | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN110414517B (zh) | 一种用于配合拍照场景的快速高精度身份证文本识别算法 | |
CN113591761B (zh) | 一种视频镜头语言识别方法 | |
Khalid et al. | Image de-fencing using histograms of oriented gradients | |
CN117593264A (zh) | 一种改进的联合YOLOv5和知识蒸馏的汽车发动机缸孔内壁检测方法 | |
Abbas | Recovering homography from camera captured documents using convolutional neural networks |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200728 |
|
WW01 | Invention patent application withdrawn after publication |