CN113077430B - 基于ssd算法的激光器芯片缺陷检测及分类方法与系统 - Google Patents

基于ssd算法的激光器芯片缺陷检测及分类方法与系统 Download PDF

Info

Publication number
CN113077430B
CN113077430B CN202110339909.XA CN202110339909A CN113077430B CN 113077430 B CN113077430 B CN 113077430B CN 202110339909 A CN202110339909 A CN 202110339909A CN 113077430 B CN113077430 B CN 113077430B
Authority
CN
China
Prior art keywords
detected
ssd
computer
chip
detection
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
CN202110339909.XA
Other languages
English (en)
Other versions
CN113077430A (zh
Inventor
赵菊敏
李灯熬
窦伦伦
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110339909.XA priority Critical patent/CN113077430B/zh
Publication of CN113077430A publication Critical patent/CN113077430A/zh
Application granted granted Critical
Publication of CN113077430B publication Critical patent/CN113077430B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30072—Microarray; Biochip, DNA array; Well plate
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及芯片缺陷检测领域，特别是基于SSD算法的激光器芯片缺陷检测及分类方法与系统。本发明搭建SSD网络，按预设参数训练SSD网络；将训练好的SSD网络嵌入计算机；传送带将待检测芯片依次传送至与工业相机相对应的成像位置，工业相机获取待检测芯片的成像图像并传输至计算机；计算机利用训练好的SSD网络识别激光器芯片封装表面的缺陷类型。结合激光器芯片缺陷类型及SSD算法，嵌入SSD算法的计算机与传送带、工业相机、照明系统等相关测量设施相连构成一个完整的激光器芯片缺陷检测与分类系统，提高了激光器芯片缺陷识别检测的实时性及精确度，克服了现有神经网络检测系统的计算量大，实时性差的缺陷，及人工经验判断的精确度差、效率低的缺陷。

Description

基于SSD算法的激光器芯片缺陷检测及分类方法与系统
技术领域
本发明涉及芯片缺陷检测领域，特别是基于SSD算法的激光器芯片缺陷检测及分类方法与系统。
背景技术
随着人工智能的飞速发展，当今时代的科技进步也更加突飞猛进。就芯片缺陷检测领域来说，计算机视觉技术的日益成熟，为芯片缺陷的检测方法提供了新的思路。
传统芯片缺陷检测方法主要是依靠人力以及经验，依靠人力不可避免地会出现错误，这就给判断结果造成了很大的干扰。而如今，国家对芯片的需求越来越大，同时，芯片缺陷检测的指标要求也越来越高，工作量呈指数型增加，在新时代背景下，依靠人力成本高、效率低且错误率高。所以，在新的时代要求下，将芯片缺陷与计算机视觉相结合的缺陷检测技术应孕而生。目前，已经有相关的基于计算机视觉的缺陷检测系统，例如，基于R-CNN神经网络的缺陷检测系统、基于YOLO神经网络的缺陷检测系统，这些网络与传统的依靠人力以及经验判断已经有了很大的精度，但监测的实时性以及检测精度比较差，尚不能满足目前对芯片检测的需求。
发明内容
本发明的目的在于提供一种基于SSD算法的激光器芯片缺陷检测及分类方法与系统，以满足对激光器芯片缺陷识别检测的实时性、精确度的需求。
为实现上述技术目的，达到上述技术效果，本发明实施例提供了一种基于SSD算法的激光器芯片缺陷检测及分类方法，所述检测及分类方法包括，
搭建SSD网络，按预设参数训练SSD网络；
将训练好的SSD网络嵌入计算机；
传送带将待检测芯片依次传送至与工业相机相对应的成像位置，工业相机获取待检测芯片的成像图像并传输至计算机；
计算机利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型。
进一步地，所述“按预设参数训练SSD网络”步骤包括，
针对SSD网络中VGG-16部分进行训练，训练的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；
当训练网络收敛到预设值时，对网络进行微调，参数与训练时的参数在预设范围内相同，学习率改为0.00001，批次大小更改为32。
进一步地，所述检测及分类方法还包括，
预先设置传送带参数、待检测芯片摆放位置及位置间隔、照明系统的位置及角度；
开始检测，工业相机在照明系统的光照下获取位于当前成像位置的待检测芯片的成像图像；
计算机诊断待检测芯片是否合格，若合格则继续检测下一位置的待检测芯片，若不合格，则计算机记录待检测芯片的缺陷类型并报警提示。
进一步地，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
作为本发明的又一方面，还提供提供了一种基于SSD算法的激光器芯片缺陷检测及分类系统，所述检测及分类系统包括，照明装置、工业相机、传送带及计算机；所述照明装置及工业相机与计算机相连接，所述传送带设置在工业相机下方，所述照明装置的光照位置覆盖所述工业相机的成像位置，所述成像位置及带检测芯片设置在传送带上表面，所述计算机内嵌入训练SSD网络，利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型。
进一步地，所述SSD网络的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；参数与训练时的参数基本相同，学习率改为0.00001，批次大小更改为32。
进一步地，所述计算机还包括，
诊断模块，用于根据SSD网络输出结果判定待检测芯片是否合格及缺陷类型；
记录模块，用于记录缺陷类型；
报警模块，用于根据缺陷类型输出报警提示。
进一步地，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
进一步地，所述检测及分类系统还包括，与计算机连接的机械手，所述机械手根据缺陷类型对待检测芯片进行分类放置。
本发明实施例至少部分实现了如下技术效果：
本发明提供一种基于SSD算法来识别有缺陷的激光器芯片并对缺陷进行分类的激光器芯片缺陷检测分类方法及系统，结合激光器芯片缺陷类型，基于SSD算法的基础上加以修改，再嵌入计算机中，再与传送带、工业相机、照明系统等相关测量设施相连构成一个完整的激光器芯片缺陷检测与分类系统，提高了激光器芯片缺陷识别检测的实时性及精确度，克服了现有神经网络检测系统的计算量大，实时性差的缺陷，及人工经验判断的精确度差、效率低的缺陷。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例基于SSD算法的激光器芯片缺陷检测及分类方法的流程图；
图2为SSD网络结构示意图；
图3为本发明又一实施例基于SSD算法的激光器芯片缺陷检测及分类方法的流程图；
图4为本发明一实施例基于SSD算法的激光器芯片缺陷检测及分类系统的示意图；
附图说明：
1、工业相机；2、计算机；3、传送带；4、带检测芯片；5、照明装置。
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，以下结合实施例，对本发明进行进一步详细说明。
在一个实施例中，如图1所示，提供了一种基于SSD算法的激光器芯片缺陷检测及分类方法，所述检测及分类方法包括，
S11搭建SSD网络，按预设参数训练SSD网络；
S12将训练好的SSD网络嵌入计算机；
S13传送带将待检测芯片依次传送至与工业相机相对应的成像位置，工业相机获取待检测芯片的成像图像并传输至计算机；
S14计算机利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型。
本实施例提供基于SSD算法来识别有缺陷的激光器芯片并对缺陷进行分类，在本实施例中，SSD网络对激光器芯片封装表面的缺陷类型进行识别，SSD网络是2016年提出的网络，与R-CNN、Fast R-CNN相比，其具有快的速度，而与YOLO相比，其又具有更高的精度。即SSD网络是集Faster R-CNN的高精度与YOLO的实时性于一身的强大网络，其网络结构参见图2所示；SSD网络是在VGG-16的基础上修改而来的，在VGG-16基础上又加上了多尺度特征图、卷积预测以及默认框和纵横比。与传统方法相比，SSD网络选取了不同尺寸特征图的特征，与Faster R-CNN相比，SSD每个点产生的边界框更少，速度更加快。
优选地，所述“按预设参数训练SSD网络”步骤包括，
针对SSD网络中VGG-16部分进行训练，训练的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；
当训练网络收敛到预设值时，对网络进行微调，参数与训练时的参数在预设范围内相同，学习率改为0.00001，批次大小更改为32。
在本实施例中，网络搭建好，接下来的就是训练网络，主要是对VGG-16部分的训练，训练预设参数，当网络收敛到预设值时，就可以对网络进行微调，参数与训练时的参数基本相同，学习率改为0.00001，批次大小更改为32.这样，网络就训练好了，就可以进行检测了。
在一个实施例中，如图3所示，所述检测及分类方法还包括，
S21预先设置传送带参数、待检测芯片摆放位置及位置间隔、照明系统的位置及角度；
S22检测开始，工业相机在照明系统的光照下获取位于当前成像位置的待检测芯片的成像图像；
S23计算机诊断待检测芯片是否合格，若是，则转至S22；若否，则转至S24；
S24计算机记录待检测芯片的缺陷类型并报警提示。
优选地，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
在本实施例中，首先设置各个设备的相关参数，然后将待检测芯片放置传送带上，当传送带将待检测芯片传送到工业相机的成像位置，获取成像图片，并传输至计算机，计算机通过SSD网络的算法识别诊断待检测芯片是否合格，并可以根据识别出的缺陷类型，如表面点蚀、表面划痕、表面裂纹及表面擦痕进行分类。
基于同一发明构思，本发明实施例还提供了一种基于SSD算法的激光器芯片缺陷检测及分类系统，其所解决问题的原理与前述实施例的基于SSD算法的激光器芯片缺陷检测及分类方法相似，因此该基于SSD算法的激光器芯片缺陷检测及分类系统的实施可以参见前述实施例的方法的实施，重复之处不再赘述。
在一个实施例中，提供了一种基于SSD算法的激光器芯片缺陷检测及分类系统，参考图4，所述检测及分类系统包括，照明装置5、工业相机1、传送带3及计算机2；所述照明装置5及工业相机1与计算机2相连接，所述传送带3设置在工业相机1下方，所述照明装置5的光照位置覆盖所述工业相机的成像位置，所述成像位置及带检测芯片4设置在传送带3上表面，所述计算机2内嵌入训练SSD网络，利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型。
在本实施例中，将训练好的SSD网络嵌入计算机，再与传送带、工业相机、照明系统等相关测量设施相连构成一个完整的激光器芯片缺陷检测与分类系统。
优选地，所述SSD网络的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；参数与训练时的参数基本相同，学习率改为0.00001，批次大小更改为32。
在一个实施例中，所述计算机还包括，
诊断模块，用于根据SSD网络输出结果判定待检测芯片是否合格及缺陷类型；
记录模块，用于记录缺陷类型；
报警模块，用于根据缺陷类型输出报警提示。
在本实施例中，当检测合格时，继续检测下一个，当检测不合格时，输出缺陷类型并记录每个不合格品的缺陷类型。
优选地，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
在一个实施例中，所述检测及分类系统还包括，与计算机连接的机械手，所述机械手根据缺陷类型对待检测芯片进行分类放置。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.基于SSD算法的激光器芯片缺陷检测及分类方法，其特征在于，所述检测及分类方法包括，
搭建SSD网络，按预设参数训练SSD网络；
将训练好的SSD网络嵌入计算机；
传送带将待检测芯片依次传送至与工业相机相对应的成像位置，工业相机获取待检测芯片的成像图像并传输至计算机；
计算机利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型；
其中，所述“按预设参数训练SSD网络”步骤包括，
针对SSD网络中VGG-16部分进行训练，训练的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；
当训练网络收敛到预设值时，对网络进行微调，参数与训练时的参数在预设范围内相同，学习率改为0.00001，批次大小更改为32；
其中，所述检测及分类方法还包括，
预先设置传送带参数、待检测芯片摆放位置及位置间隔、照明系统的位置及角度；
开始检测，工业相机在照明系统的光照下获取位于当前成像位置的待检测芯片的成像图像；
计算机诊断待检测芯片是否合格，若合格则继续检测下一位置的待检测芯片，若不合格，则计算机记录待检测芯片的缺陷类型并报警提示；
其中，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
2.基于SSD算法的激光器芯片缺陷检测及分类系统，其特征在于，所述检测及分类系统用以实现权利要求1所述检测及分类方法，所述检测及分类系统包括，照明装置、工业相机、传送带及计算机；所述照明装置及工业相机与计算机相连接，所述传送带设置在工业相机下方，所述照明装置的光照位置覆盖所述工业相机的成像位置，所述成像位置及带检测芯片设置在传送带上表面，所述计算机内嵌入训练SSD网络，利用训练好的SSD网络识别待检测芯片的激光器芯片封装表面的缺陷类型。
3.如权利要求2所述的基于SSD算法的激光器芯片缺陷检测及分类系统，其特征在于，所述SSD网络的预设参数预设值为：权重下降率0.0005，学习率0.001，学习率下降因子0.94，训练批次大小151；参数与训练时的参数基本相同，学习率改为0.00001，批次大小更改为32。
4.如权利要求3所述的基于SSD算法的激光器芯片缺陷检测及分类系统，其特征在于，所述计算机还包括，
诊断模块，用于根据SSD网络输出结果判定待检测芯片是否合格及缺陷类型；记录模块，用于记录缺陷类型；
报警模块，用于根据缺陷类型输出报警提示。
5.如权利要求4所述的基于SSD算法的激光器芯片缺陷检测及分类系统，其特征在于，所述缺陷类型包括表面点蚀、表面划痕、表面裂纹和/或表面擦痕。
6.如权利要求5所述的基于SSD算法的激光器芯片缺陷检测及分类系统，其特征在于，所述检测及分类系统还包括，与计算机连接的机械手，所述机械手根据缺陷类型对待检测芯片进行分类放置。
CN202110339909.XA 2021-03-30 2021-03-30 基于ssd算法的激光器芯片缺陷检测及分类方法与系统 Active CN113077430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339909.XA CN113077430B (zh) 2021-03-30 2021-03-30 基于ssd算法的激光器芯片缺陷检测及分类方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339909.XA CN113077430B (zh) 2021-03-30 2021-03-30 基于ssd算法的激光器芯片缺陷检测及分类方法与系统

Publications (2)

Publication Number Publication Date
CN113077430A CN113077430A (zh) 2021-07-06
CN113077430B true CN113077430B (zh) 2023-05-09

Family

ID=76611496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339909.XA Active CN113077430B (zh) 2021-03-30 2021-03-30 基于ssd算法的激光器芯片缺陷检测及分类方法与系统

Country Status (1)

Country Link
CN (1) CN113077430B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567466B (zh) * 2021-08-02 2022-10-28 大量科技（涟水）有限公司 一种微型芯片外观缺陷的智能识别方法
CN114972327B (zh) * 2022-07-12 2023-01-06 爱尔达电气有限公司 半导体封装测试系统及其测试方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392896A (zh) * 2017-07-14 2017-11-24 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木材缺陷检测方法和系统
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN110598767A (zh) * 2019-08-29 2019-12-20 河南省收费还贷高速公路管理有限公司航空港分公司 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150294449A1 (en) * 2014-04-15 2015-10-15 Texas Instruments Incorporated Detect edge chip
CN105973912A (zh) * 2016-06-12 2016-09-28 合肥汉重智能装备有限公司 基于机器视觉的真皮表面缺陷检测系统及其检测方法
CN109978014A (zh) * 2019-03-06 2019-07-05 华南理工大学 一种融合密集连接结构的柔性基板缺陷检测方法
CN110517233A (zh) * 2019-08-15 2019-11-29 浙江赤霄智能检测技术有限公司 一种基于人工智能的缺陷分类学习系统及其分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392896A (zh) * 2017-07-14 2017-11-24 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木材缺陷检测方法和系统
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN110598767A (zh) * 2019-08-29 2019-12-20 河南省收费还贷高速公路管理有限公司航空港分公司 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法

Also Published As

Publication number Publication date
CN113077430A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
US11341626B2 (en) Method and apparatus for outputting information
KR102229594B1 (ko) 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
US11380232B2 (en) Display screen quality detection method, apparatus, electronic device and storage medium
Chen et al. A light-weighted CNN model for wafer structural defect detection
CN113077430B (zh) 基于ssd算法的激光器芯片缺陷检测及分类方法与系统
US11715190B2 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN111242900B (zh) 一种产品合格确定方法、装置、电子设备及存储介质
CN107194323A (zh) 车辆定损图像获取方法、装置、服务器和终端设备
KR20200004822A (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
KR20200004823A (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN111160432A (zh) 一种面板生产制造缺陷的自动分类方法及系统
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN111275705A (zh) 智能验布方法、装置、电子设备及存储介质
CN109283182A (zh) 一种电池焊点缺陷的检测方法、装置及系统
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
CN113516146A (zh) 一种数据分类方法、计算机及可读存储介质
CN113792578A (zh) 用于变电站异常的检测方法、设备及系统
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN111210412A (zh) 一种包装检测方法、装置、电子设备及存储介质
TW202006608A (zh) 遞迴性深度學習系統的訓練方法與檢測系統
CN115953652B (zh) 目标检测网络批归一化层剪枝方法、装置、设备及介质
CN112529836A (zh) 高压线路缺陷检测方法、装置、存储介质及电子设备
CN112561885A (zh) 基于YOLOv4-tiny的插板阀开度检测方法

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
GR01 Patent grant
GR01 Patent grant