CN112132798B - 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 - Google Patents
基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 Download PDFInfo
- Publication number
- CN112132798B CN112132798B CN202010984849.2A CN202010984849A CN112132798B CN 112132798 B CN112132798 B CN 112132798B CN 202010984849 A CN202010984849 A CN 202010984849A CN 112132798 B CN112132798 B CN 112132798B
- Authority
- CN
- China
- Prior art keywords
- mark point
- image
- aru
- mini
- convolution
- 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
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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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]
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Abstract
本发明公开了基于Mini ARU‑Net网络的复杂背景印刷电路板标记点图像检测方法。包括1)采集印刷电路板图像进行灰度处理后,从中提取出标记点区域作为标记点图像,并添加标记点所在区域的二值化图作为分割标签图;2)构建Mini ARU‑Net网络,将训练用的标记点图像及其分割标签图输入到Mini ARU‑Net网络中进行训练;3)针对待测的标记点图像,输入到2)中训练所得的Mini ARU‑Net网络中进行标记点分割得到分割结果图;4)根据分割结果图求取其中标记点所在区域的质心,并作为标记点的坐标,以质心为圆心求取质心到标记点所在区域边缘的平均距离作为圆的半径,通过圆心及半径在待检测图像上画出标记点圆及圆心,作为最终检测结果图。本发明实现了标记点图像分割和较大地提升检测的精度,并解决了标记点图像样本相对缺乏的问题。
Description
技术领域
本发明涉及机器视觉及工业自动化技术领域,具体涉及基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法。
背景技术
电子产品更新迭代速度的不断加快对印刷电路板的产量和质量提出了越来越高的要求。在覆盖了光刻胶的基板上进行直显式曝光是印刷电路板制造技术的发展趋势。作为曝光印刷过程中的定位基准,印刷电路板标记点(亦称MARK点)的检测精度直接决定了印刷电路板的质量和生产效率。标记点检测视觉模块中的工业相机对标记点进行图像采集后,将标记点从图像中精确分割能够大幅提高检测精度。但是由于实际生产环境中干扰因素的存在,采集到的标记点图像的背景较为复杂,对标记的分割产生不利影响,进而影响标记点检测精度。由于基于机器视觉的标记点检测技术是一种直观的、非接触式的质量检测方法,能够高效、自动地实现检测任务。因此,针对复杂背景干扰下印刷电路板标记点图像检测的机器视觉技术的研究具有重要意义。
标记点图像分割是进行标记点检测的核心环节之一,其本质是将图像按指定准则划分成若干不相交的、对应于图像特殊意义区域的子集,从而对不同子集所代表的区域进行相对应的检测或者其他操作。
随着图像分割技术领域的研究越来越多,逐渐形成了基于非连续性的方法和基于相似性的方法。其中,最典型方法是基于边缘的分割方法、基于阈值的分割方法、基于区域的分割方法和基于特殊理论的分割方法。
但现有的图像分割及检测算法主要适合图像质量较好的研究场景。而实际工业生产中,获取的图像经常有较为复杂的背景。尽管通过肉眼较易区分这些背景中存在的干扰项,但对于机器而言,要想从背景复杂的图像中检测出标记点则面临较大的困难,与噪音和纹理相比,背景中干扰因素的随机无序性导致其特征很难量化和表征,易产生过分割或欠分割。所以针对复杂背景的图像检测,现有的图像分割算法分割效果不能达到精确检测的要求。
发明内容
本发明为解决上述复杂背景图像中印刷电路板标记点检测方法精度低的不足,提出基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法。
本发明的技术方案包括如下步骤:
步骤1:采集印刷电路板图像进行灰度处理后,从中提取出标记点区域作为标记点图像,并添加标记点所在区域的二值化图作为分割标签图;
步骤2:构建Mini ARU-Net网络,将训练用的标记点图像及其分割标签图输入到Mini ARU-Net网络中进行训练;
步骤3:针对背景复杂的待测的标记点图像,输入到步骤2训练所得的Mini ARU-Net网络中进行标记点分割得到分割结果图;
步骤4:根据分割结果图求取其中标记点所在区域的质心,并作为标记点的坐标,以质心为圆心求取质心到标记点所在区域边缘的平均距离作为圆的半径,通过圆心及半径在被检测图像上画出标记点圆及圆心,获得最终的标记点检测结果图。
所述的标记点是指印刷电路板上用于定位位置指示的标记,例如一个标记圆孔。
所述步骤2中的Mini ARU-Net网络结构主要由编码部分和解码部分依次连接构成,编码部分的输入为Mini ARU-Net网络结构的输入,解码部分的输出为Mini ARU-Net网络结构的输出,具体如下:
编码部分(特征提取)主要由四个连续的池化残差模块构成,每个池化残差模块主要由最大池化层和残差块依次连接构成,残差块主要由连续三个卷积归一模块、通道注意力模块、空间注意力模块依次连接构成,残差块的输入同时和空间注意力模块的输出相加经过Relu层后作为残差块的输出。
编码部分中,每次基本单元处理后将特征向量的尺寸减小一倍,并将特征层深度增大一倍,最终得到所需特征矩阵。
本发明的Mini ARU-Net网络中,残差块取代了传统U-Net中的卷积块,且残差块中植入注意力模型,具体按通道注意力模块在前,空间注意力模块在后的顺序将两种注意力模型植入四个残差块中。
解码部分(转置卷积):主要由三个连续的上采样卷积模块和一个卷积层依次连接构成,每个上采样卷积模块主要由上采样层和卷积归一模块依次连接构成,卷积归一模块主要由卷积层、归一化层和ReLU层依次连接构成,卷积层、归一化层和ReLU层融合具有相同尺度的特征信息;第一个池化残差模块的输出和第三个上采样卷积模块中的上采样层的输出相特征融合后输入到第三个上采样卷积模块中的卷积归一模块中,第二个池化残差模块的输出和第二个上采样卷积模块中的上采样层的输出相特征融合后输入到第二个上采样卷积模块中的卷积归一模块中,第三个池化残差模块的输出和第一个上采样卷积模块中的上采样层的输出相特征融合后输入到第一个上采样卷积模块中的卷积归一模块中。
三个连续的上采样卷积模块中依次设置步长为1,卷积核尺寸大小为3的上采样层,逐层将特征向量的尺寸增大一倍,并将特征层深度减小一倍。
上采样卷积模块的上采样层每进行转置卷积的上采样一次获得Feature Map,并且将编码部分的一个池化残差模块的输出结果融合连接到转置卷积的上采样后获得的Feature Map上。
所述的上采样层采用转置卷积处理。
所述归一化层为采用组归一化。
本发明改进了U-Net网络,形成了新的网络结构,称为Mini ARU-Net网络。
本发明的有益效果是:
相比现有方法,本发明考虑融合多种的方法,结合U-Net网络结构、CBAM注意力模型、ResNet残差块结构,通过图像整理加工、多人独立打标、平行数据增强,获得了具有较强泛化能力的学习模型,满足实际工业应用的需求。
本发明结合深度学习处理能较大地提升复杂背景标记点图像分割及检测的精度,并解决了图像样本相对缺乏的问题。此外,Mini ARU-Net网络模型可以应用于不同类型的印刷电路板标记点检测问题。
附图说明
图1为本发明的实现总体流程图;
图2为本发明中构建的mini ARU-Net网络结构图;
图3为本发明的实例分割前后图像及其灰度三维分布图;
图4为本发明的两个具有代表性的实例检测结果。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
本发明的总体流程图如图1所示,包括以下步骤:
步骤1:采集印刷电路板图像进行灰度处理后,从中提取出标记点区域作为标记点图像,并添加标记点所在区域的二值化图作为分割标签图;标记点为一个标记圆孔。
步骤2:构建Mini ARU-Net网络,将训练用的标记点图像及其分割标签图输入到Mini ARU-Net网络中进行训练;
如图2所示,步骤2中的Mini ARU-Net网络结构主要由编码部分和解码部分依次连接构成,编码部分的输入为Mini ARU-Net网络结构的输入,解码部分的输出为Mini ARU-Net网络结构的输出,具体如下:
编码部分(特征提取)主要由四个连续的池化残差模块构成,每个池化残差模块主要由最大池化层和残差块依次连接构成,残差块主要由连续三个卷积归一模块、通道注意力模块、空间注意力模块依次连接构成,残差块的输入同时和空间注意力模块的输出相加经过Relu层后作为残差块的输出;
编码部分中,每次基本单元处理后将特征向量的尺寸减小一倍,并将特征层深度增大一倍,最终得到所需特征矩阵。
本发明的Mini ARU-Net网络中,残差块取代了传统U-Net中的卷积块,且残差块中植入注意力模型,具体按通道注意力模块在前,空间注意力模块在后的顺序将两种注意力模型植入四个残差块中。
编码部分的过程如下:初始输入为600×600的标记点图像经第一池化残差模块后得到300×300、深度为16的特征矩阵A,并保存此特征矩阵A;经第二池化残差模块后得到150×150、深度为32的特征矩阵B,并保存此特征矩阵B;经第三池化残差模块后得到75×75、深度为64的特征矩阵C,并保存此特征矩阵C;经第四池化残差模块后得到37×37、深度为128的特征矩阵D。
解码部分(转置卷积):
解码部分主要由三个连续的上采样卷积模块和一个卷积层依次连接构成,每个上采样卷积模块主要由上采样层和卷积归一模块依次连接构成,卷积归一模块主要由卷积层、归一化层和ReLU层依次连接构成,卷积层、归一化层和ReLU层融合具有相同尺度的特征信息;归一化层为采用组归一化,先将图像的通道C分成G组,然后每组单独归一化处理,最后把G组归一化之后的数据合并成CHW。
第一个池化残差模块的输出和第三个上采样卷积模块中的上采样层的输出相特征融合后输入到第三个上采样卷积模块中的卷积归一模块中,第二个池化残差模块的输出和第二个上采样卷积模块中的上采样层的输出相特征融合后输入到第二个上采样卷积模块中的卷积归一模块中,第三个池化残差模块的输出和第一个上采样卷积模块中的上采样层的输出相特征融合后输入到第一个上采样卷积模块中的卷积归一模块中;
三个连续的上采样卷积模块中依次设置步长为1,卷积核尺寸大小为3的上采样层,逐层将特征向量的尺寸增大一倍,并将特征层深度减小一倍。上采样层采用转置卷积处理。
上采样卷积模块的上采样层每进行转置卷积的上采样一次获得Feature Map,并且将编码部分的一个池化残差模块的输出结果融合连接到转置卷积的上采样后获得的Feature Map上。
解码部分的过程如下:输入为37×37、深度为128的特征矩阵D经过第三上采样卷积模块后得到75×75、深度为64的特征矩阵E;经第二上采样卷积模块后得到150×150、深度为32的特征矩阵F;经第二上采样卷积模块后得到300×300、深度为16的特征矩阵G。最后使用尺度为1的卷积层d1和插值方法将300×300、深度为16的特征矩阵G转化为600×600的分割结果图,即标记点分割的初步结果。
步骤3:针对背景复杂的待测的标记点图像,输入到步骤2训练所得的Mini ARU-Net网络中进行标记点分割得到分割结果图;获得分割结果,即标记点目标与复杂背景二值分割。
步骤4:根据分割结果图求取其中标记点所在区域的质心,并作为标记点的坐标,以质心为圆心求取质心到标记点所在区域边缘的平均距离作为圆的半径,通过圆心及半径在被检测图像上画出标记点圆及圆心,获得最终的标记点检测结果图。
本发明的构建自定义标记点分割数据集具体过程如下:
整理得到33张复杂背景标记点图像,为了尽可能增加训练集的图像数量,提高训练所得模型的泛化能力,额外通过软件合成7张极端的背景复杂标记点图像。采集到的待检测图像本身没有标记点圆心和半径的理论值。同时,分割标签图也需多人独立进行打标。因此,为使打标结果具备尽可能高的科学统计意义,选取了专业和非专业人群中不同年龄和性别的10名代表,作为标记点分割和检测的打标者:前者是接受过相关培训的相对专业的人员;后者则是从未经过相关培训的人员。
(1)分割标签图打标
从上述10人中随机选取5人,在打标软件中,绘制接近人眼识别出的标记点边缘。将打标好边缘的标签打乱编号,另外5人对五个标签进行边缘贴合程度的排序,根据投票结果选出最接近原标记点图像标记点边缘的标签。最后,对最优边缘的标签图像进行二值化填充,将标记点所在区域填充为灰度值为0的黑色部分,而复杂背景区域则设置为灰度值为255的白色背景部分,可得到对应的用于分割的二值化图,将二值化图作为分隔标签。
(2)标记点检测数据打标
10人通过打标工具记录标记点图像中标记点的圆心坐标和半径值。由于标记点存在一定圆度误差,所以每个数据组按圆心横坐标x、圆心纵坐标y和半径值r分组,分别剔除最大值和最小值后求取人工打标的平均值作为参考标准。
(3)数据集划分
复杂背景标记点图像中标记点分割的自定义标记点分割数据集主要分为如下三个子集:
训练集:用于拟合Mini ARU-Net网络的标记点图像和分割标签图组成的数据集子集;
验证集:用于初步评估Mini ARU-Net网络模型训练所得模型能力,并与训练集具有同分布规律的数据集子集。该子集可以在Mini ARU-Net网络模型迭代调参过程中,不断地调整当前模型的参数权值;
测试集:用于实际评估最终Mini ARU-Net网络模型的泛化能力,并不直接参与Mini ARU-Net网络模型的训练过程。
选择具有公共特征的背景复杂标记点图像作为测试集数据。将用于训练的图像按训练集:验证集=7:3的比例进行划分,将分割标签图同对应的标记点图像分别划分到训练集目录和验证集目录下,进行图像增强。
(4)标记点图像和对应的分割标签图同步数据增强
通过对数据进行增强来获得更多数据用于训练学习。基于已有的标记点图像进行图像变换操作,如翻转、平移或旋转,实现对原图和标签同步数据增强的操作,将数据集的图像数量增强为原来的15倍,即从40张增加到了600张。这样可以起到如下两方面的作用:一方面,通过几何变换增加数据量,对自定义分割数据集中有限的标记点图像起到扩充作用,提高训练所得分割模型的泛化能力;另一方面,为图像添加多种噪声,使得训练所得模型鲁棒性得到提升,更好地适应复杂多变的生产环境。
实施例一
本发明的一个实施例,对某个背景复杂的印刷电路板标记点利用本发明基于MiniARU-Net网络的复杂背景印刷电路板标记点图像检测方法进行标记点检测。
图3(a)和图3(b)分别代表分割前和分割后的图像。可以看出,该方法的分割结果实现了标记点目标与复杂背景二值分割,分割后图像中的标记点形状非常完整,边缘较为光滑,为下一步质心法进行圆检测提供了保证。
图4为两个具有代表性的检测结果的实例,由此可见,利用本发明的Mini ARU-Net网络对背景复杂印刷电路板标记点检测的精度高。出现新的复杂背景图像类别时,只需要在训练集和验证机中添加相应的图像,通过在训练集和验证机训练得到相应的Mini ARU-Net网络模型,即可适应新的标记点图像类型,提高方法的泛化能力。同时本发明通过数据整理、人工合成、独立达标、平行数据增强,解决了样本缺乏的问题,使得数据使用更加高效。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法,其特征在于,包括以下步骤:
步骤1:采集印刷电路板图像进行灰度处理后,从中提取出标记点区域作为标记点图像,并添加标记点所在区域的二值化图作为分割标签图;
步骤2:构建Mini ARU-Net网络,将训练用的标记点图像及其分割标签图输入到MiniARU-Net网络中进行训练;
步骤3:针对待测的标记点图像,输入到步骤2训练所得的Mini ARU-Net网络中进行标记点分割得到分割结果图;
步骤4:根据分割结果图求取其中标记点所在区域的质心,并作为标记点的坐标,以质心为圆心求取质心到标记点所在区域边缘的平均距离作为圆的半径,通过圆心及半径在被检测图像上画出标记点圆及圆心,获得最终的标记点检测结果图;
所述步骤2中的Mini ARU-Net网络结构主要由编码部分和解码部分依次连接构成,编码部分的输入为Mini ARU-Net网络结构的输入,解码部分的输出为Mini ARU-Net网络结构的输出,具体如下:
编码部分主要由四个连续的池化残差模块构成,每个池化残差模块主要由最大池化层和残差块依次连接构成,残差块主要由连续三个卷积归一模块、通道注意力模块、空间注意力模块依次连接构成,残差块的输入同时和空间注意力模块的输出相加经过Relu层后作为残差块的输出;
解码部分主要由三个连续的上采样卷积模块和一个卷积层依次连接构成,每个上采样卷积模块主要由上采样层和卷积归一模块依次连接构成,卷积归一模块主要由卷积层、归一化层和ReLU层依次连接构成;第一个池化残差模块的输出和第三个上采样卷积模块中的上采样层的输出相特征融合后输入到第三个上采样卷积模块中的卷积归一模块中,第二个池化残差模块的输出和第二个上采样卷积模块中的上采样层的输出相特征融合后输入到第二个上采样卷积模块中的卷积归一模块中,第三个池化残差模块的输出和第一个上采样卷积模块中的上采样层的输出相特征融合后输入到第一个上采样卷积模块中的卷积归一模块中。
2.根据权利要求1所述的基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法,其特征在于:所述的上采样层采用转置卷积处理。
3.根据权利要求1所述的基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法,其特征在于:所述归一化层为采用组归一化。
4.根据权利要求1所述的基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法,其特征在于:
编码部分中,每次基本单元处理后将特征向量的尺寸减小一倍,并将特征层深度增大一倍,最终得到所需特征矩阵。
5.根据权利要求1所述的基于Mini ARU-Net网络的复杂背景印刷电路板标记点图像检测方法,其特征在于:
解码部分中,三个连续的上采样卷积模块中依次设置步长为1,卷积核尺寸大小为3的上采样层,逐层将特征向量的尺寸增大一倍,并将特征层深度减小一倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984849.2A CN112132798B (zh) | 2020-09-18 | 2020-09-18 | 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984849.2A CN112132798B (zh) | 2020-09-18 | 2020-09-18 | 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132798A CN112132798A (zh) | 2020-12-25 |
CN112132798B true CN112132798B (zh) | 2022-04-29 |
Family
ID=73842827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984849.2A Active CN112132798B (zh) | 2020-09-18 | 2020-09-18 | 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132798B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927243B (zh) * | 2021-03-31 | 2022-12-23 | 上海大学 | 一种基于卷积神经网络的微出血病灶分割方法 |
CN116482113B (zh) * | 2023-04-24 | 2024-01-26 | 广东绿之彩科技股份有限公司 | 一种基于神经网络的印刷品外观缺陷检测工艺 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11185039A (ja) * | 1997-12-24 | 1999-07-09 | Tani Denki Kogyo Kk | 画像認識による計測方法および記録媒体 |
CN108712826A (zh) * | 2018-08-09 | 2018-10-26 | 深圳凯世光研股份有限公司 | 一种PCB板Mark点识别装置及其识别方法 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
CN111507060A (zh) * | 2020-04-15 | 2020-08-07 | 杭州兆图机器人有限公司 | 一种用于电路板检测的定位点获取方法、定位方法和装置 |
-
2020
- 2020-09-18 CN CN202010984849.2A patent/CN112132798B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11185039A (ja) * | 1997-12-24 | 1999-07-09 | Tani Denki Kogyo Kk | 画像認識による計測方法および記録媒体 |
CN108712826A (zh) * | 2018-08-09 | 2018-10-26 | 深圳凯世光研股份有限公司 | 一种PCB板Mark点识别装置及其识别方法 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
CN111507060A (zh) * | 2020-04-15 | 2020-08-07 | 杭州兆图机器人有限公司 | 一种用于电路板检测的定位点获取方法、定位方法和装置 |
Non-Patent Citations (1)
Title |
---|
《Hausdorff 匹配快速检测PCB基准标记》;柏长冰 等;;《光电子激光》;20060430;第17卷(第4期);第498-501页; * |
Also Published As
Publication number | Publication date |
---|---|
CN112132798A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN109934826B (zh) | 一种基于图卷积网络的图像特征分割方法 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN112508098B (zh) | 表盘定位与自动读数的指针式表计数值识别方法及系统 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN110610505A (zh) | 一种融合深度和色彩信息的图像分割方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN112132798B (zh) | 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN108038435A (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
CN115063573A (zh) | 一种基于注意力机制的多尺度目标检测方法 | |
CN112949338A (zh) | 深度学习与Hough变换结合的二维条码精确定位方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
CN111274944A (zh) | 一种基于单张图像的三维人脸重建方法 | |
CN115661509A (zh) | 基于三维点云icp配准算法的手术器械识别分类方法 | |
CN114781290A (zh) | 一种基于目标检测网络的寄生参数提取方法 | |
CN103353941A (zh) | 基于视角分类的自然标志物注册方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN111523342A (zh) | 一种复杂场景下的二维码检测和校正方法 | |
CN113283441A (zh) | 一种贴片电阻上的印刷字符识别方法、装置、终端及介质 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |