CN111986187A - 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 - Google Patents
基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 Download PDFInfo
- Publication number
- CN111986187A CN111986187A CN202010873329.4A CN202010873329A CN111986187A CN 111986187 A CN111986187 A CN 111986187A CN 202010873329 A CN202010873329 A CN 202010873329A CN 111986187 A CN111986187 A CN 111986187A
- Authority
- CN
- China
- Prior art keywords
- network
- tiny
- yolov3
- welding spot
- layer
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 75
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 5
- 229910000679 solder Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明属于缺陷检测相关技术领域,其公开了一种基于改进Tiny‑YOLOv3网络的航天电子焊点缺陷检测方法,所述检测方法包括以下步骤:(1)利用Mobilenet网络增强Tiny_YOLOv3中用于特征提取的网络层,具体为使用轻量级网络Mobilenet替换Tiny_YOLOv3主干网络中的7层卷积与最大池化网络层,以得到改进的Tiny_YOLOv3网络;(2)将已知缺陷类型的焊点红外图像作为样本的训练数据集输入改进的Tiny_YOLOv3网络,以对改进的Tiny_YOLOv3网络进行训练和学习,继而得到改进的Tiny_YOLOv3网络模型;(3)将待测焊点样品的红外图像输入到改进的Tiny_YOLOv3网络模型,以完成焊点缺陷的检测。本发明有效提高了航天电子焊点缺陷检测准确率。
Description
技术领域
本发明属于缺陷检测相关技术领域,更具体地,涉及一种基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法。
背景技术
航天电子设备的稳定性与可靠性在航天工业的发展和应用中起着至关重要的作用,电子焊点缺陷的前期检测作为保证航天电子设备稳定性与可靠性的重要环境,随之成为航天工业研究的重点问题,而传统人工检测方式缺乏统一的缺陷判别量化标准,且效率低下,容易受到检测人员工作经验、视觉疲劳、情绪变化等主观因素的影响,继而导致检测结果因人而异,一致性较差,无法避免焊点缺陷漏检事故的发生,难以满足大规模工业生产的需求。
此外,依靠人力进行焊点表面形貌目测难以发现焊点内部裂纹、孔洞等缺陷,难以排除由此造成的安全隐患。因此,如何对航天电子焊点缺陷进行高效、准确的智能检测成为目前亟需解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,所述检测方法对航天电子焊点红外图像,可以实现焊点缺陷快速智能分类检测和精准定位,有效地提高了航天电子焊点缺陷检测准确率。
为实现上述目的,按照本发明的一个方面,提供了一种基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,所述检测方法主要包括以下步骤:
(1)利用Mobilenet网络增强Tiny_YOLOv3中用于特征提取的网络层,具体为使用轻量级网络Mobilenet替换Tiny_YOLOv3主干网络中的7层卷积与最大池化网络层,以得到改进的Tiny_YOLOv3网络;
(2)将已知缺陷类型的焊点红外图像作为样本的训练数据集输入改进的Tiny_YOLOv3网络,以对改进的Tiny_YOLOv3网络进行训练和学习,继而得到改进的Tiny_YOLOv3网络模型;
(3)将待测焊点样品的红外图像输入到改进的Tiny_YOLOv3网络模型,以完成焊点缺陷的检测。
进一步地,轻量级网络Mobilenet由13层DSC层组成,每层DSC主要由3×3深度卷积层和1×1点卷积层组成。
进一步地,深度卷积层和点卷积层后均接有用于正则化的BN层和用于激活的ReLU层。
进一步地,轻量级网络Mobilenet网络中第6层输出特征图和第13层输出特征图作为Tiny-YOLOv3中目标检测网络层的输入,第13层的输出特征图经过3层卷积层生成特征图后,传递至全连接层Y1进行检测,第6层输出特征图与经过两次卷积层后又经过一次采样层的第13层进行通道融合,再经过两次卷积层后,输出特征图到全连接层Y2进行检测;最终由全连接层Y1、Y2得到模型两种尺度的输出。
进一步地,使用LabelImg图像标注软件标注焊点红外图像中的缺陷位置和大小,以生成包含焊点红外图像缺陷信息的xml格式文件,并将所得xml格式文件随机划分到所述训练数据集。
进一步地,改进的Tiny_YOLOv3网络进行训练和学习时,设置神经网络训练batch大小为24,训练周期epoch为300次,使用模型损失率loss作为模型训练效果的评价指标。
进一步地,步骤(3)之前还包括采用测试数据集对改进的Tiny_YOLOv3网络模型进行验证的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法主要具有以下有益效果:
1.本申请将深度学习应用于航天电子焊点缺陷的智能检测,利用已知缺陷类型的焊点红外图像构建神经网络训练和测试数据集,对使用Mobilenet网络改进后的Tiny_YOLOv3网络进行训练和学习,并在测试集上进行预测,与未改进的Tiny_YOLOv3网络进行对比,证明了该方法在缺陷检测准确率上的显著提升,利用该方法对航天电子焊点缺陷进行检测,可以实现不同种类缺陷的快速智能分类检测和精准定位,可以有效提高航天电子焊点缺陷检测效率和准确率。
2.使用轻量级网络Mobilenet替换Tiny_YOLOv3主干网络中的7层卷积与最大池化网络层,以得到改进的Tiny_YOLOv3网络,继而对改进的Tiny_YOLOv3网络进行训练及学习以得到改进的Tiny_YOLOv3网络模型,进而进行缺陷检测,能够有效地提高检测精度及效率。
3.所述缺陷检测方法的灵活性较好,适用性较强,有利于推广应用。
附图说明
图1是本发明提供的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法的流程示意图;
图2中的(a)、(b)、(c)及(d)分别是实施例中尺寸为416×416像素的部分焊点红外图像;
图3是实施例中Tiny_YOLOv3网络结构;
图4是实施例中经Mobilenet改进后的Tiny_YOLOv3网络结构;
图5(a)是实验例中未经改进的Tiny_YOLOv3网络模型的训练损失曲线;
图5(b)是经Mobilenet改进后的Tiny_YOLOv3网络模型的训练损失曲线;
图6中的(a)、(b)、(c)及(d)分别是实验例中两种模型输出的部分图像;
图7是实施例中两种模型的检测性能对比示意图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本发明提供的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法主要包括以下步骤:
步骤一,利用红外热像仪获取待测焊点样品的红外图像信号。
具体地,将导线样品固定在特制夹具中,使用半导体激光器对导线焊点进行热激励,在焊点加热与自然冷却的过程中,使用红外热像仪拍摄不同温度下焊点的红外图像,选择成像清晰的红外图像加入数据集。
步骤二,将已知缺陷类型的焊点红外图像按照9:1的比例构建神经网络的训练数据集和测试数据集。
具体地,步骤二包括以下子步骤:
(1)将已知缺陷类型的焊点红外图像进行裁剪,获取尺寸为416×416像素的JPEG格式图像。
(2)使用LabelImg图像标注软件标注焊点红外图像中缺陷位置和大小,生成包含焊点红外图像缺陷信息的xml格式文件。
(3)将所得xml格式文件按照9:1的比例随机划分神经网络的训练数据集和测试数据集。
步骤三,利用Mobilenet网络增强Tiny_YOLOv3中用于特征提取的网络层。
具体地,使用轻量级网络Mobilenet替换Tiny_YOLOv3主干网络中的7层卷积与最大池化网络层,其中,轻量级网络Mobilenet由13层DSC层组成,每层DSC层主要由3×3深度卷积层和1×1点卷积层组成,深度卷积层和点卷积层后均接有用于正则化的BN(BatchNormalization)层和用于激活的ReLU(Rectified Linear Unit)层,轻量级网络Mobilenet网络中第6层输出特征图和第13层输出特征图作为Tiny-YOLOv3中目标检测网络层的输入,第13层的输出特征图经过3层卷积层生成特征图后,传递至全连接层Y1进行检测,第6层输出特征图与经过两次卷积层后又经过一次采样层的第13层进行通道融合,再经过两次卷积层后,输出特征图到全连接层Y2进行检测。最终由全连接层Y1、Y2得到模型两种尺度的输出。
步骤四,将训练数据集输入改进后的Tiny_YOLOv3网络进行训练和学习。
具体地,将训练数据集作为神经网络的输入,设置神经网络训练batch大小为24,训练周期epoch为300次,使用模型损失率loss作为模型训练效果的评价指标。
步骤五,将待测焊点样品的红外图像输入到改进的Tiny_YOLOv3网络模型,以完成焊点缺陷的检测。具体地,通过向训练后的神经网络输入焊点红外图像,可以快速、准确地识别出焊点缺陷类型,同时进行缺陷定位。
此外,本发明利用所述测试数据集测试改进后的Tiny_YOLOv3网络,并将结果与未改进的Tiny-YOLOv3网络进行对比,以验证改进的Tiny_YOLOv3网络的准确性。
本发明利用测试数据集测试改进后的Tiny_YOLOv3网络,并将结果与未改进的Tiny-YOLOv3网络进行对比。具体的,采用平均精度均值(mAP)作为模型测试效果的度量,比较模型改进前后的精度差异;其中,mAP是所有缺陷种类平均精度的均值,而每一缺陷种类的平均精度是其精度与召回率曲线(P-R曲线)的积分,精度(precision)和召回率(recall)的计算公式如下:
precision=NTP/(NTP+NFP)
recall=NTP/(NTP+NFN)
其中,NTP为正阳性实例数量;NFP为假阳性实例数量;NFN为假阴性实例数量。将测试数据集输入模型后,得到模型的mAP值并对两个模型进行比较。
本发明对航天电子焊点的孔洞、凹陷、缺口三种类型缺陷具有较高的检测准确率率,利用步骤二所得到的训练数据集对改进后的Tiny-YOLOv3网络进行训练和学习,通过向训练后的神经网络输入焊点红外图像,可以快速、准确地识别出焊点缺陷类型,同时进行缺陷定位。
在实际应用中,焊点样本内部通常包括孔洞、凹陷、缺口三种类型的缺陷,通过上述方法使用经Mobilenet改进后的Tiny-YOLOv3网络进行缺陷分析后,可以快速地将正常焊点和缺陷焊点分隔出来,并能够准确地识别出焊点缺陷类型,同时进行缺陷定位,相较于传统通过人工视觉检测的方法,该方法有效避免了情绪变化、视觉疲劳以及焊点缺陷判别量化标准不统一等人力主观因素的影响,进而有效提高了航天电子焊点缺陷检测的准确性,大大提高了生产效率。
本发明还通过以下实际实施例证明了上述方法的可行性与准确性,具体的,先准备了一系列带有焊点的实验样品,并拍摄了焊点红外图像,具体过程如下:
(1)样品准备:从航天电子焊点实际生产线上随机抽取含有孔洞、凹陷、缺口缺陷类型的383个导线焊点样品。
(2)装夹:将所获焊点样品两端导线分别装夹在特制夹具上的导线卡槽和弹簧滑块中,每个夹具模块装夹两个焊点样品。
(3)拍摄:使用半导体激光器对准焊点进行热激励,在焊点被激光加热后自然冷却的过程中,使用VarioCAM head 680型热像仪配合红外显微镜头对夹具上的焊点样品进行拍摄,以得到640×480像素的红外图像。
利用上述步骤(1)-(3)可以获取一系列像元分辨率为25μm、尺寸为640×480像素的红外图像,通过这些红外图像可以对焊点缺陷有直观的了解,方便后续与神经网络预测结果进行对比。
同时,利用上述方法对实验样品进行检测,本发明的效果可以进一步通过实验说明,请参考如下实验例:
实验计算平台如下:CPU为Intel(R)Core(TM)i7-8750H@2.2GHz;GPU为NVIDIA2070M;内存为16GB;操作系统为win10;深度学习框架为基于tensorflow后台的Keras架构。
将所获383张焊点红外图像样品进行裁剪,得到383张尺寸均为416×416像素的焊点红外图像,部分图像如图2所示。使用LabelImg图像标注软件标注焊点红外图像中三种类别缺陷的位置和大小,标注后生成383份包含焊点红外图像缺陷信息的xml格式文件。将所得xml格式文件按照9:1的比例随机划分神经网络的训练数据集和测试数据集,数据集中共包括孔洞(hole)、缺口(breach)、凹陷(notch)三种缺陷类型共计1274个目标。利用Mobilenet网络改进Tiny_YOLOv3中用于特征提取的网络层,Tiny_YOLOv3网络结构如图3所示,经Mobilenet改进后的Tiny_YOLOv3网络结构如图4所示。将xml训练数据集和对应的红外图像分别输入未经改进的Tiny_YOLOv3网络和经Mobilenet改进后的Tiny_YOLOv3网络进行训练和学习,设置神经网络训练batch大小为24,训练周期epoch为300次,使用模型损失率loss作为模型训练效果评价指标,两种模型训练损失曲线分别如图5(a)及图5(b)所示。
训练完成后,分别将测试集输入两种模型,两种模型输出的部分图像如图6所示,两种模型对三种缺陷的平均检测精度如图7所示,两种模型性能对比如表1所示。从图7和表1中可以看出,与Tiny-YOLOv3网络相比,经Mobilenet网络改进后的Tiny-YOLOv3网络模型训练损失下降更快,在训练300次后,Tiny-YOLOv3网络训练损失为13.15,改进后的Tiny-YOLOv3网络训练损失达到9.67,对于测试结果,Tiny-YOLOv3网络mAP为59.38%,改进后的Tiny-YOLOv3网络的mAP提升至82%,提高了21.62%;同时,Tiny-YOLOv3网络的单张图片平均检测时间为0.0553s,改进后Tiny-YOLOv3网络的单张图片平均检测时间为0.0625s,改进后模型检测速度有所降低,但在检测精度大幅提升的前提下速度变化仍在许可范围内。实验结果证明了基于改进Tiny-YOLOv3网络的航天电子焊点缺陷主动红外智能检测方法能够快速、准确地识别焊点缺陷类型并定位缺陷位置。
表1 Tiny-YOLOv3与改进Tiny-YOLOv3的性能对比表
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于,该检测方法包括以下步骤:
(1)利用Mobilenet网络增强Tiny_YOLOv3中用于特征提取的网络层,具体为使用轻量级网络Mobilenet替换Tiny_YOLOv3主干网络中的7层卷积与最大池化网络层,以得到改进的Tiny_YOLOv3网络;
(2)将已知缺陷类型的焊点红外图像作为样本的训练数据集输入改进的Tiny_YOLOv3网络,以对改进的Tiny_YOLOv3网络进行训练和学习,继而得到改进的Tiny_YOLOv3网络模型;
(3)将待测焊点样品的红外图像输入到改进的Tiny_YOLOv3网络模型,以完成焊点缺陷的检测。
2.如权利要求1所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:轻量级网络Mobilenet由13层DSC层组成,每层DSC主要由3×3深度卷积层和1×1点卷积层组成。
3.如权利要求2所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:深度卷积层和点卷积层后均接有用于正则化的BN层和用于激活的ReLU层。
4.如权利要求3所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:轻量级网络Mobilenet网络中第6层输出特征图和第13层输出特征图作为Tiny-YOLOv3中目标检测网络层的输入,第13层的输出特征图经过3层卷积层生成特征图后,传递至全连接层Y1进行检测,第6层输出特征图与经过两次卷积层后又经过一次采样层的第13层进行通道融合,再经过两次卷积层后,输出特征图到全连接层Y2进行检测;最终由全连接层Y1、Y2得到模型两种尺度的输出。
5.如权利要求1所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:使用LabelImg图像标注软件标注焊点红外图像中的缺陷位置和大小,以生成包含焊点红外图像缺陷信息的xml格式文件,并将所得xml格式文件随机划分到所述训练数据集。
6.如权利要求1所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:改进的Tiny_YOLOv3网络进行训练和学习时,设置神经网络训练batch大小为24,训练周期epoch为300次,使用模型损失率loss作为模型训练效果的评价指标。
7.如权利要求1-6任一项所述的基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法,其特征在于:步骤(3)之前还包括采用测试数据集对改进的Tiny_YOLOv3网络模型进行验证的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873329.4A CN111986187A (zh) | 2020-08-26 | 2020-08-26 | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873329.4A CN111986187A (zh) | 2020-08-26 | 2020-08-26 | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986187A true CN111986187A (zh) | 2020-11-24 |
Family
ID=73440681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010873329.4A Pending CN111986187A (zh) | 2020-08-26 | 2020-08-26 | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986187A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907523A (zh) * | 2021-02-04 | 2021-06-04 | 中山大学 | 一种基于轻量化网络的工业产品表面缺陷检测方法 |
CN112950533A (zh) * | 2021-01-21 | 2021-06-11 | 重庆大学 | 基于深度学习的焊点外观类别自动识别方法及系统 |
CN113112456A (zh) * | 2021-03-25 | 2021-07-13 | 湖南工业大学 | 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 |
CN113449610A (zh) * | 2021-06-08 | 2021-09-28 | 杭州格像科技有限公司 | 一种基于知识蒸馏和注意力机制的手势识别方法和系统 |
CN115205290A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市合成快捷电子科技有限公司 | 一种pcb板生产过程在线检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
-
2020
- 2020-08-26 CN CN202010873329.4A patent/CN111986187A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950533A (zh) * | 2021-01-21 | 2021-06-11 | 重庆大学 | 基于深度学习的焊点外观类别自动识别方法及系统 |
CN112907523A (zh) * | 2021-02-04 | 2021-06-04 | 中山大学 | 一种基于轻量化网络的工业产品表面缺陷检测方法 |
CN113112456A (zh) * | 2021-03-25 | 2021-07-13 | 湖南工业大学 | 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 |
CN113112456B (zh) * | 2021-03-25 | 2022-05-13 | 湖南工业大学 | 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 |
CN113449610A (zh) * | 2021-06-08 | 2021-09-28 | 杭州格像科技有限公司 | 一种基于知识蒸馏和注意力机制的手势识别方法和系统 |
CN115205290A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市合成快捷电子科技有限公司 | 一种pcb板生产过程在线检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986187A (zh) | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 | |
CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN109544533A (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
CN108090896B (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
CN113436169A (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN114894642B (zh) | 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN106018179A (zh) | 一种基于图像处理的胶料表面黏性测量方法及装置 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN108764264A (zh) | 烟雾检测方法、烟雾检测系统及计算机装置 | |
CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
US6382510B1 (en) | Automatic inspection system using barcode localization and method thereof | |
CN216525503U (zh) | 一种基于机器视觉的碳纤维预浸料表面缺陷在线检测装置 | |
CN110689447A (zh) | 一种基于深度学习的社交软件用户发布内容的实时检测方法 | |
CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN115031650A (zh) | 一种基于标记点组合的相对变形测量方法及系统 | |
CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
CN117884786B (zh) | 一种锡球激光焊接缺陷检测方法 | |
CN204044085U (zh) | 一种基于光谱成像的异物检测系统 |
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 |