CN112907562A - 一种基于MobileNet的SMT缺陷分类算法 - Google Patents
一种基于MobileNet的SMT缺陷分类算法 Download PDFInfo
- Publication number
- CN112907562A CN112907562A CN202110283197.4A CN202110283197A CN112907562A CN 112907562 A CN112907562 A CN 112907562A CN 202110283197 A CN202110283197 A CN 202110283197A CN 112907562 A CN112907562 A CN 112907562A
- Authority
- CN
- China
- Prior art keywords
- model
- convolution
- mobilenet
- smt
- defect
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MobileNet的SMT缺陷分类算法,包括:步骤一:通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片;步骤二:把采集到的不同类别的缺陷图片进行归类制作成数据集,把数据整理好后划分为train和val数据集;步骤三:使用train数据集和val数据集分别制作tfrecord数据格式文件train.tfrecords和val.tfrecords;步骤四:进行训练MobileNet模型,当模型训练收敛后,进行SMT的缺陷分类;步骤五:模型训练完成后,通过该MobileNet模型对采集到的SMT图片进行缺陷分类;步骤六:若发生数据模型的更新则要进行新数据的迭代,为了兼容性,还需进行模型的预测。本发明所述的一种基于MobileNet的SMT缺陷分类算法,可以降低计算量,提升运算速度,调试较方便,替代了更多的人工检测,具有很好的适用性。
Description
技术领域
本发明涉及生产加工质量在线检测与预测领领域,特别涉及一种基于MobileNet的SMT缺陷分类算法。
背景技术
随着印刷电路板安装的表面贴片技术SMT的广泛应用,并向着密度更高和器件更小的方向发展,不同的针对SMT的图像检测方法应运而生。目前常用的有人工目检、飞针测试和在线测试自动光学检测等。
人工目检是一种用肉眼检测的方法。飞针测试是一种机器检査方式,它是以两根探针对元器件加电的方法来实现检测的,能够检测元器件失效、性能不良等缺陷。自动光学检测AOI是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备。当自动检测时,机器通过CCD自动扫描PCB板,采集图像,测试的焊点与数据库中的合格的参数进行比较,经过图像处理,检查出PCB上缺陷,并通过显示器或自动标志把缺陷标示出来,供维修人员修整。该图像处理过程通过传统的图像比对算法进行缺陷检测,该方法对图像要求较高,影响因素较多,会造成检测准确度较低,人工目检受人主观因素影响,具有很高的不确定性。飞针测试方式对插装PCB和部分尺寸元器件贴装的密度不高的PCB比较实用,但是,元器件的小型化和产品的高密度化使这种检测方式的不足表现明显。自动光学检测AOI的方式检测速度快,可以放到产线上的不同位置,便于及时在线发现故障和缺陷,使生产检测合二为一。之前使用较多的是基于词袋模型的物体分类方法,该方法从自然语言处理中引入,即一句话可以用一个装了词的袋子表示其特征,袋子中的词为句子中的单词、短语或字。对于图像而言,词袋方法需要构建字典,但是,传统图像分类方法由多个阶段构成,框架较为复杂。
为此,我们提出一种基于MobileNet的SMT缺陷分类算法,该算法是基于深度学习的分类算法,本专利通过对图像进行分类来识别不同元器件的异常,来标记出相应位置的缺陷,基于深度学习的图像分类方法,可以通过有监督或无监督的方式学习层次化的特征描述,能够取代手工设计或选择图像特征的工作,同时,端到端的 CNN 模型结构可一步到位,而且大幅度提升了分类准确率。
发明内容
本发明的主要目的在于提供一种基于MobileNet的SMT缺陷分类算法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种基于MobileNet的SMT缺陷分类算法,包括以下步骤:
步骤一:通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片,不同检测部位各采集大量的缺陷图片;
步骤二:把采集到的不同类别的缺陷图片进行归类制作成数据集,把数据
整理好后划分为train和val数据集,前者用于训练模型的数据,后者主要用于验证构建的模型准确性;
步骤三:使用train数据集和val数据集分别制作tfrecord数据格式文件
train.tfrecords和val.tfrecords;
步骤四:进行训练MobileNet模型,当模型训练收敛后,进行SMT的缺
陷分类,训练的数据集包括若干个样本图像和每个样本图像所对应的缺陷标注信息,其中标注信息包含图像的分类类别,分类类别包括短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等;
步骤五:模型训练完成后,通过该MobileNet模型对采集到的SMT图片
进行缺陷分类,若异常,则根据短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等类别显示元器件的相应位置到上位机界面,若正常则显示OK;
步骤六:若发生数据模型的更新则要进行新数据的迭代,同时为了兼容性,
还需进行模型的预测。
进一步的,所述步骤四中MobileNet的核心思想是将传统卷积分解为深度可分离卷积与1 x 1卷积。
进一步的,所述深度可分离卷积是指输出特征图的每个channel都对应一个卷积核,这样输出的特征的每个channel只与输入特征图对应的channel相关,具体的例如输入一个K×M×N的特征图,其中K为特征图的通道数,M、N为特征图的宽高,假设传统卷积需要一个大小为C×K×3×3的卷积核来得到输出大小为C×M′×N′的新的特征图,而深度可分离卷积则是首先使用K个大小为3×3的卷积核分别对输入的K个channel进行卷积得到K个特征图,为DepthWise Conv部分,然后再使用大小为C×K×1×1的卷积来得到大小为C×M′×N′的输出,为PointWise Conv部分。
进一步的,所述深度可分离卷积操作能够降低模型的大小和计算量,且在性能上能够与标准卷积相当,假设输入特征图大小为:Cin×Hin×Win,使用卷积核为K×K,输出的特征图大小为Cout×Hout×Wout,对于标准的卷积,其计算量A为:K×K×Cint×Cout×Hout×Wout
对于分解后的深度可分离卷积,计算量可通过DW部分和PW部分计算量的和B得到,公式如下:
K×K×Cint×Hout×Wout+Cint×Cout×Hout×Wout
因此相比于标准卷积,深度可分离卷积的计算量降低了:
B/A=1/Cout+1/K2;
由上式可知,对于一个大小为3×3的卷积核,计算量降低了约7-9倍。
进一步的,所述算法模型使用了DepthWise Conv降低了参数和计算量,通过调整不同参数会对计算速度和准确率产生不同影响。
与现有技术相比,本发明具有如下有益效果:
1、通过使用MobileNet模型可以降低计算量,提升运算速度,且调试较方便;
2、该技术方案在进行SMT缺陷分类过程存在着明显的优势,由于产品缺陷种类的确定性,该模型的快速高效性使客户现场的生产节拍和准确度要求达标,替代了更多的人工检测,具有很好的适用性。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
实施例1
一种基于MobileNet的SMT缺陷分类算法,包括以下步骤:
步骤一:通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片,不同检测部位各采集大量的缺陷图片;
步骤二:把采集到的不同类别的缺陷图片进行归类制作成数据集,把数据
整理好后划分为train和val数据集,前者用于训练模型的数据,后者主要用于验证构建的模型准确性;
步骤三:使用train数据集和val数据集分别制作tfrecord数据格式文件
train.tfrecords和val.tfrecords;
步骤四:进行训练MobileNet模型,当模型训练收敛后,进行SMT的缺
陷分类,训练的数据集包括若干个样本图像和每个样本图像所对应的缺陷标注信息,其中标注信息包含图像的分类类别,分类类别包括短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等;
步骤五:模型训练完成后,通过该MobileNet模型对采集到的SMT图片
进行缺陷分类,若异常,则根据短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等类别显示元器件的相应位置到上位机界面,若正常则显示OK;
步骤六:若发生数据模型的更新则要进行新数据的迭代,同时为了兼容性
更好,还需进行模型的预测。
通过采用上述技术方案:在进行SMT缺陷分类过程中存在着明显的优势,由于产品缺陷种类的确定性,该模型的快速高效性使客户现场的生产节拍和准确度要求达标,替代了更多的人工检测,具有很好的适用性。
实施例2
一种基于MobileNet的SMT缺陷分类算法,包括以下步骤:
步骤一:通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片,不同检测部位各采集大量的缺陷图片;
步骤二:把采集到的不同类别的缺陷图片进行归类制作成数据集,把数据
整理好后划分为train和val数据集,前者用于训练模型的数据,后者主要用于验证构建的模型准确性;
步骤三:使用train数据集和val数据集分别制作tfrecord数据格式文件
train.tfrecords和val.tfrecords;
步骤四:进行训练MobileNet模型,当模型训练收敛后,进行SMT的缺
陷分类,训练的数据集包括若干个样本图像和每个样本图像所对应的缺陷标注信息,其中标注信息包含图像的分类类别,分类类别包括短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等;
步骤五:模型训练完成后,通过该MobileNet模型对采集到的SMT图片
进行缺陷分类,若异常,则根据短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊等类别显示元器件的相应位置到上位机界面,若正常则显示OK;
步骤六:若发生数据模型的更新则要进行新数据的迭代,同时为了兼容性
更好,还需进行模型的预测。
步骤四中MobileNet的核心思想是将传统卷积分解为深度可分离卷积与1 x 1卷积,作为卷积神经网络的新成员,MobileNet具有计算消耗小,运算速度快,容易调试等特点,MobileNet和传统的CNN在结构上的差别主要是,传统CNN中在批规范化和ReLU(线性整流函数)前边,是一个3×3卷积层,而MobileNet将卷积过程分为一个3×3深度方向的卷积和一个1×1点对点的卷积,MobileNet的长处是能够在功耗和性能之间寻求良好的平衡点,MobileNet拥有两个表观变量:width multiplier和resolution multiplier,我们可以通过调整这两个变量值来使得模型适应具体问题;Width multiplier让我们把网络变得稀疏,而resolution multiplier可以改变输入图片的分辨率,从而降低每层网络间的内部表达。
深度可分离卷积是指输出特征图的每个channel都对应一个卷积核,这样输出的特征的每个channel只与输入特征图对应的channel相关,具体的例如输入一个K×M×N的特征图,其中K为特征图的通道数,M、N为特征图的宽高,假设传统卷积需要一个大小为C×K×3×3的卷积核来得到输出大小为C×M′×N′的新的特征图,而深度可分离卷积则是首先使用K个大小为3×3的卷积核分别对输入的K个channel进行卷积得到K个特征图(DepthWise Conv部分),然后再使用大小为C×K×1×1的卷积来得到大小为C×M′×N′的输出(PointWise Conv部分)。
深度可分离卷积操作能够降低模型的大小和计算量,且在性能上能够与标准卷积相当,假设输入特征图大小为:Cin×Hin×Win,使用卷积核为K×K,输出的特征图大小为Cout×Hout×Wout,对于标准的卷积,其计算量A为:K×K×Cint×Cout×Hout×Wout
对于分解后的深度可分离卷积,计算量可通过DW部分和PW部分计算量的和B得到,公式如下:
K×K×Cint×Hout×Wout+Cint×Cout×Hout×Wout
因此相比于标准卷积,深度可分离卷积的计算量降低了:
B/A=1/Cout+1/K2由上式可知,对于一个大小为3×3的卷积核,计算量降低了约7-9倍。
模型算法不只是适用于该SMT贴片技术的缺陷分类,对于大多数分类同样具有适用性。
算法模型使用了DepthWise Conv降低了参数和计算量,通过调整不同参数会对计算速度和准确率产生不同影响。
通过采用上述技术方案:使用MobileNet模型可以降低计算量,提升运算速度,且调试较方便。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。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 (5)
1.一种基于MobileNet的SMT缺陷分类算法,其特征在于,包括以下步骤:
步骤一:通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片,不同检测部位各采集缺陷图片;
步骤二:把采集到的不同类别的缺陷图片进行归类制作成数据集,把数据
整理好后划分为train和val数据集,前者用于训练模型的数据,后者用于验证构建的模型准确性;
步骤三:使用train数据集和val数据集分别制作tfrecord数据格式文件
train.tfrecords和val.tfrecords;
步骤四:进行训练MobileNet模型,当模型训练收敛后,进行SMT的缺
陷分类,训练的数据集包括若干个样本图像和每个样本图像所对应的缺陷标注信息,其中标注信息包含图像的分类类别,分类类别包括短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊;
步骤五:模型训练完成后,通过该MobileNet模型对采集到的SMT图片
进行缺陷分类,若异常,则根据短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊类别显示元器件的相应位置到上位机界面,若正常则显示OK;
步骤六:若发生数据模型的更新则要进行新数据的迭代,同时为了兼容性,
还需进行模型的预测。
2.根据权利要求1所述的一种基于MobileNet的SMT缺陷分类算法,其特征在于,所述步骤四中MobileNet的核心思想是将传统卷积分解为深度可分离卷积与1 x 1卷积。
3.根据权利要求2所述的一种基于MobileNet的SMT缺陷分类算法,其特征在于,所述深度可分离卷积是指输出特征图的每个channel都对应一个卷积核,这样输出的特征的每个channel只与输入特征图对应的channel相关,具体的输入一个K×M×N的特征图,其中K为特征图的通道数,M、N为特征图的宽高,假设传统卷积需要一个大小为C×K×3×3的卷积核来得到输出大小为C×M′×N′的新的特征图,而深度可分离卷积则是首先使用K个大小为3×3的卷积核分别对输入的K个channel进行卷积得到K个特征图,为DepthWise Conv部分,然后再使用大小为C×K×1×1的卷积来得到大小为C×M′×N′的输出,为PointWise Conv部分。
4.根据权利要求2所述的一种基于MobileNet的SMT缺陷分类算法,其特征在于,所述深度可分离卷积操作能够降低模型的大小和计算量,且在性能上能够与标准卷积相当,假设输入特征图大小为:Cin×Hin×Win,使用卷积核为K×K,输出的特征图大小为Cout×Hout×Wout,对于标准的卷积,其计算量
A为: K×K×Cint×Cout×Hout×Wout
对于分解后的深度可分离卷积,计算量可通过DW部分和PW部分计算量的和B得到,公式如下:
K×K×Cint×Hout×Wout+Cint×Cout×Hout×Wout
因此相比于标准卷积,深度可分离卷积的计算量降低了:
B/A=1/Cout+1/K2 由上式可知,对于一个大小为3×3的卷积核,计算量降低了7-9倍。
5.根据权利要求1所述的一种基于MobileNet的SMT缺陷分类算法,其特征在于,所述算法模型使用了DepthWise Conv降低了参数和计算量,通过调整不同参数会对计算速度和准确率产生不同影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283197.4A CN112907562A (zh) | 2021-03-16 | 2021-03-16 | 一种基于MobileNet的SMT缺陷分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283197.4A CN112907562A (zh) | 2021-03-16 | 2021-03-16 | 一种基于MobileNet的SMT缺陷分类算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907562A true CN112907562A (zh) | 2021-06-04 |
Family
ID=76105308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283197.4A Pending CN112907562A (zh) | 2021-03-16 | 2021-03-16 | 一种基于MobileNet的SMT缺陷分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907562A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
CN117152123A (zh) * | 2023-10-12 | 2023-12-01 | 深圳正实自动化设备有限公司 | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 |
TWI834426B (zh) * | 2022-06-21 | 2024-03-01 | 大陸商蘇州康代智能科技股份有限公司 | Pcb缺陷檢測模型的評估方法、評估裝置及訓練方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360470B2 (en) * | 2016-10-10 | 2019-07-23 | Gyrfalcon Technology Inc. | Implementation of MobileNet in a CNN based digital integrated circuit |
CN111103307A (zh) * | 2019-11-19 | 2020-05-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb板缺陷检测方法 |
CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
-
2021
- 2021-03-16 CN CN202110283197.4A patent/CN112907562A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360470B2 (en) * | 2016-10-10 | 2019-07-23 | Gyrfalcon Technology Inc. | Implementation of MobileNet in a CNN based digital integrated circuit |
CN111103307A (zh) * | 2019-11-19 | 2020-05-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb板缺陷检测方法 |
CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
Non-Patent Citations (2)
Title |
---|
常江: ""基于改进生成对抗网络和MobileNetV3的带钢缺陷分类"", 《激光与光电子学进展》 * |
笨笨: ""图像分类-MobileNet"", 《HTTPS:// AISTUDIO.BAIDU.COM/AISTUDIO/PROJECTDETAIL/56873》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI834426B (zh) * | 2022-06-21 | 2024-03-01 | 大陸商蘇州康代智能科技股份有限公司 | Pcb缺陷檢測模型的評估方法、評估裝置及訓練方法 |
CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
CN117152123A (zh) * | 2023-10-12 | 2023-12-01 | 深圳正实自动化设备有限公司 | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 |
CN117152123B (zh) * | 2023-10-12 | 2024-01-30 | 深圳正实自动化设备有限公司 | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907562A (zh) | 一种基于MobileNet的SMT缺陷分类算法 | |
CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
CN108597053A (zh) | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
JP6472621B2 (ja) | 分類器構築方法、画像分類方法および画像分類装置 | |
CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN112686894B (zh) | 基于生成式对抗网络的fpcb板缺陷检测方法及装置 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
JP6059486B2 (ja) | 教師データ検証装置、教師データ作成装置、画像分類装置、教師データ検証方法、教師データ作成方法および画像分類方法 | |
CN109829895A (zh) | 一种基于gan的aoi缺陷检测方法 | |
KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
CN111353983A (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN114577812A (zh) | 基于超小样本训练高效质检模型的方法及系统 | |
CN113538375A (zh) | 一种基于YOLOv5的PCB缺陷检测方法 | |
US11833618B2 (en) | Solder joint inspection model training method, solder joint inspection method, and solder joint inspection device | |
JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
CN113409250A (zh) | 一种基于卷积神经网络的焊点检测方法 | |
CN115170550A (zh) | 一种基于深度学习的电池缺陷检测方法及系统 | |
CN109840905A (zh) | 电力设备锈迹检测方法及系统 | |
CN110633739A (zh) | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 | |
CN109829887B (zh) | 一种基于深度神经网络的图像质量评估方法 |
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 |