CN113781412A - 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 - Google Patents
一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 Download PDFInfo
- Publication number
- CN113781412A CN113781412A CN202110984852.9A CN202110984852A CN113781412A CN 113781412 A CN113781412 A CN 113781412A CN 202110984852 A CN202110984852 A CN 202110984852A CN 113781412 A CN113781412 A CN 113781412A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- chip
- redundancy
- image
- resolution
- 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
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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
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)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,包括:CT扫描仪、运算服务器以及数据存储器,CT扫描仪用于扫描整个芯片内部区域,完成数据采集,基于深度学习模型实现多余物的检测与定位,对高分辨率CT扫描图像分区域进行智能化分类,筛选出含缺陷图像进行训练,使多余物的检测更加高效;运算服务器用于X光高分辨率扫描图像下芯片多余物检测所搭建的深度学习模型的运算,实现多余物位置的精确识别;所述数据存储器用于存储与管理数据。本发明的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统可以提取芯片中多余物特征,自动化检测识别多余物,高效准确地进行多余物检测。
Description
技术领域
本发明涉及多余物检测技术领域,具体涉及一种密闭设备内部芯片多余物检测方法。
背景技术
随着中国航空航天产业的快速发展,在现有的生产过程中,很难确保航天级别设备的高可靠性要求。未来智能制造业主要分为“智能实验室\工厂”及“智能生产”两大主题。智能制造成为未来十年我国制造业转型升级的发展方向,而航空制造业是先进制造技术领航领域,智能实验室作为未来航天产品制造基础设施,其智能化是必然,航天产品研发工艺复杂,产品多属于单件生产,技术状态要求严格,容易因制造工艺及控制方法的限制或人工操作失误等将导线段、焊锡飞溅物、垫圈、螺母甚至毛发等封装在产品内部形成多余物,造成设备短路或误动作从而导致航天器发射失败或失效,多余物生产的原因和环境不同,造成了其突发性和随机性,因此很难被检测和控制。
由于航天产品的特殊性,在我国现有的工艺水平下,航天产品电子装联工艺一般采用手工操作完成,在各个环节之中不可避免的会将铜质导线、合金外壳碎屑、导线皮屑、纤维丝等微小多余物混杂其中。多余物在失重、超重、剧烈振动等条件下容易在器件内部移动,使得其掉落在某些关键部位造成短路、断路、轴承卡死、通道堵塞等严重影响电子装置的情况出现。
为了提高航天产品的安全性与使用年限,需要对航天产品芯片中的多余物进行检测筛除。现阶段,经过我国多年研究发展粒子碰撞噪音探测即PIND已经成为国内外普遍采用的元器件多余物检测方法,并已初步应用于我国产品级航天设备的多余物检测中。但航天电子装置存在体型较大,内部结构模型复杂等特点,存在实验条件严苛、干扰信号严重、脉冲成分构成复杂的现象出现,使得实际检测准确率不稳定,受环境影响大等。基于人工的多余物检测方法主观性强,且只能确保在人眼误差的范围内对多余物进行识别,通常情况下这种误差范围还是超出了航天产品的生产标准,造成不可估量的安全隐患。上述方法难以确保芯片多余物检测的有效性,为后续的芯片加工等工作带来了不可控制的因素,航天产品也会受到一定程度的影响。
发明内容
本发明针对现有技术中的不足,提供一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,以解决上述背景技术中提出的实际问题。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,包括:CT扫描仪、运算服务器以及数据存储器,CT扫描仪连接着运算服务器和数据存储器,CT扫描仪用于扫描整个芯片内部区域,完成数据采集,基于深度学习模型实现多余物的检测与定位,构建高分辨率CT扫描图像分区域裁剪图像,其中包括含缺陷图像与不含缺陷的图像,对高分辨率 CT扫描图像分区域进行智能化分类,筛选出含缺陷图像进行训练,使多余物的检测更加高效;运算服务器用于X光高分辨率扫描图像下芯片多余物检测所搭建的深度学习模型的运算,实现多余物位置的精确识别;所述数据存储器用于存储与管理数据。
进一步地,CT扫描仪采集的数据类型为各通用图片格式,包括JPG、PNG、BMP格式。
一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,具体包括以下步骤:
步骤1,CT扫描仪根据芯片对X线的吸收与透过率的不同,对芯片进行扫描,摄下芯片内部的断面或立体的图像,发现芯片内部的细小异物;
步骤2,利用CT扫描仪采集X光高分辨率扫描图像下芯片的图像数据;
步骤3,构建芯片多余物检测深度学习模型,搭建深度学习模型,将步骤2采集到的图像数据送入深度学习模型进行训练,得到训练好的完整模型;
步骤4,将从步骤2采集到的图像数据信息送入深度学习模型中,通过运算服务器的运算实现多余物位置的精确识别。
进一步地,所述步骤(3)中搭建深度学习模型的过程具体包括:
步骤3a,,构建高分辨率CT扫描图像分区域裁剪图像,包括含缺陷与不含缺陷的图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像进行训练;
步骤3b,对含缺陷的芯片高分辨率CT扫描图像构建数据集,用于深度学习模型的训练和测试;
步骤3c,构建基于深度学习的CT扫描图像多余物检测网络,在网络输入分辨率,卷积层数,参数量和层输出通道数量之间找到最佳平衡;
步骤3d,构建LOSS函数,LOSS函数衡量细微的差异,使优化函数利用梯度下降方法快速找到最优解。
进一步地,步骤3c基于深度学习的CT扫描图像多余物检测网络中,backbone即主干网络选择的是CSPDarknet53;Neck使用SPP、PANet,Neck是放在backbone和Head之间的网络结构,为了更好的利用backbone提取的特征,SPP使用同一图像不同尺寸作为输入,得到同样长度的池化特征,处理不同纵横比和不同尺寸的输入图像,故而提高图像的尺度不变性,并且降低图像过拟合;基于提议的实例分割框架下的路径聚合网络PANet,可以促进信息的流动,通过自底向上的路径增强,利用准确的低层定位信号增强整个特征层次,缩短低层与顶层特征之间的信息路径;Head选择使用基于anchor box的YOLOv3,Head是指获取网络输出内容的网络,利用之前提取的特征,Head对其做出预测,目标检测中常出现的anchorbox 是锚框,表示固定的参考框。
本发明的有益效果是:本发明可以自动化检测密闭设备内部芯片的多余物,降低人为主观性的干扰,这对于提升芯片产品质量,保证产品生产的可靠性,提升芯片生产流程中的智能化检测水平,减少劳动人员强度会有很大贡献。
附图说明
图1是一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法所采用的的流程图;
图2是一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法所采用的深度学习模型结构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示,本发明公开了一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,具体包括以下步骤:
步骤1、CT扫描仪根据芯片对X线的吸收与透过率的不同,应用灵敏度极高的仪器对芯片进行扫描,摄下高分辨率的芯片内部断面或立体图像,发现芯片内部任意部位的细小异物;
步骤2、进行数据采集,利用CT扫描仪采集X光高分辨率扫描图像下芯片的训练数据;
步骤3、构建芯片多余物检测深度学习模型,搭建深度学习模型,将步骤2采集到的训练数据送入深度学习模型进行训练,得到训练好的完整模型;
步骤4、多余物位置识别,将从CT扫描仪采集到的图像数据信息送入深度学习模型中,通过运算服务器的运算实现多余物位置的精确识别。
步骤3中搭建深度学习模型的过程具体包括:
步骤3a:构建高分辨率CT扫描图像分区域裁剪图像,包括含缺陷与不含缺陷的图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像进行训练;
步骤3b:对含缺陷的芯片高分辨率CT扫描图像构建数据集,用于深度学习模型的训练和测试;
步骤3c:构建基于深度学习的CT扫描图像多余物检测网络,主干网络选择的是CSPDarknet53,在网络输入分辨率,卷积层数,参数量和层输出通道数量之间找到最佳平衡; Neck使用SPP、PANet等,SPP可以使用同一图像不同尺寸作为输入,得到同样长度的池化特征,SPP可以处理不同纵横比和不同尺寸的输入图像,故而提高图像的尺度不变性,并且降低图像过拟合;基于提议的实例分割框架下的路径聚合网络,可以促进信息的流动,通过自底向上的路径增强,利用准确的低层定位信号增强整个特征层次,从而缩短低层与顶层特征之间的信息路径;Head选择使用基于anchor的YOLOv3;
步骤3d:构建LOSS函数,损失函数是机器学习里最基础、最关键的要素,通过对损失函数的定义、优化,就可以衍生到目前常用的机器学习算法中,LOSS函数衡量细微的差异,使优化函数利用梯度下降方法快速找到最优解。
其中硬件装置包括:CT扫描仪、运算服务器以及数据存储器等。CT扫描仪扫描整个芯片内部区域,用于完成数据采集,数据类型优选为各通用图片格式,包括JPG、PNG、BMP 格式。芯片内部多余物检测是基于深度学习进行的,可以实现多余物的检测与定位,构建高分辨率CT扫描图像分区域裁剪图像,包括含缺陷与不含缺陷的图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像进行训练,使多余物的检测更加高效。实现多余物检测的核心是构建高效、准确的多余物自动化检测网络,准确识别多余物,确定多余物位置。运算服务器满足大量数据的运算,主要面向芯片多余物检测所搭建的深度学习模型的运算。所述数据存储器主要用于存储与管理数据。
如图2所示,网络中添加了卷积层、最大池化层、隐藏层、Softmax层。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。池化层主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性,在池化过程中,最大池化被证明效果更好。隐藏层把输入数据的特征,抽象到另一个维度空间,来展现其更抽象化的特征,这些特征能更好的进行线性划分。Softmax层用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,看成概率来理解,从而进行多分类。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,其特征在于,包括:CT扫描仪、运算服务器以及数据存储器,CT扫描仪连接着运算服务器和数据存储器,CT扫描仪用于扫描整个芯片内部区域,完成数据采集,基于深度学习模型实现多余物的检测与定位,构建高分辨率CT扫描图像分区域裁剪图像,其中包括含缺陷图像与不含缺陷的图像,对高分辨率CT扫描图像分区域进行智能化分类,筛选出含缺陷图像进行训练,使多余物的检测更加高效;运算服务器用于X光高分辨率扫描图像下芯片多余物检测所搭建的深度学习模型的运算,实现多余物位置的精确识别;所述数据存储器用于存储与管理数据。
2.根据权利要求1所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,其特征在于,CT扫描仪采集的数据类型为各通用图片格式,包括JPG、PNG、BMP格式。
3.一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,具体包括以下步骤:
步骤1,CT扫描仪根据芯片对X线的吸收与透过率的不同,对芯片进行扫描,摄下芯片内部的断面或立体的图像,发现芯片内部的细小异物;
步骤2,利用CT扫描仪采集X光高分辨率扫描图像下芯片的图像数据;
步骤3,构建芯片多余物检测深度学习模型,搭建深度学习模型,将步骤2采集到的图像数据送入深度学习模型进行训练,得到训练好的完整模型;
步骤4,将从步骤2采集到的图像数据信息送入深度学习模型中,通过运算服务器的运算实现多余物位置的精确识别。
4.根据权利要求1所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,所述步骤(3)中搭建深度学习模型的过程具体包括:
步骤3a,,构建高分辨率CT扫描图像分区域裁剪图像,包括含缺陷与不含缺陷的图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像进行训练;
步骤3b,对含缺陷的芯片高分辨率CT扫描图像构建数据集,用于深度学习模型的训练和测试;
步骤3c,构建基于深度学习的CT扫描图像多余物检测网络,在网络输入分辨率,卷积层数,参数量和层输出通道数量之间找到最佳平衡;
步骤3d,构建LOSS函数,LOSS函数衡量细微的差异,使优化函数利用梯度下降方法快速找到最优解。
5.根据权利要求4所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,步骤3c基于深度学习的CT扫描图像多余物检测网络中,backbone即主干网络采用CSPDarknet53;Neck采用SPP、PANet,即SpatialPyramidPooling、PathAggregation Network,SPP使用同一图像不同尺寸作为输入,得到同样长度的池化特征,处理不同纵横比和不同尺寸的输入图像;PANet通过自底向上的路径增强,利用准确的低层定位信号增强整个特征层次,缩短低层与顶层特征之间的信息路径;Head采用基于anchorbox的YOLOv3即YouOnlyLookOncev3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984852.9A CN113781412A (zh) | 2021-08-25 | 2021-08-25 | 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984852.9A CN113781412A (zh) | 2021-08-25 | 2021-08-25 | 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781412A true CN113781412A (zh) | 2021-12-10 |
Family
ID=78839193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984852.9A Pending CN113781412A (zh) | 2021-08-25 | 2021-08-25 | 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035045A (zh) * | 2022-05-19 | 2022-09-09 | 西安速视光电科技有限公司 | 一种基于高分辨率X-Ray图像的异物智能检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN110555467A (zh) * | 2019-08-13 | 2019-12-10 | 深圳创新奇智科技有限公司 | 一种基于模型迁移的工业数据分类方法 |
CN111145239A (zh) * | 2019-12-30 | 2020-05-12 | 南京航空航天大学 | 一种基于深度学习的飞机油箱多余物自动检测方法 |
CN112102229A (zh) * | 2020-07-23 | 2020-12-18 | 西安交通大学 | 一种基于深度学习的工业ct检测缺陷的智能识别方法 |
CN112541393A (zh) * | 2020-11-10 | 2021-03-23 | 国网浙江嵊州市供电有限公司 | 一种基于深度学习的变电站人员检测方法及装置 |
CN112668663A (zh) * | 2021-01-05 | 2021-04-16 | 南京航空航天大学 | 一种基于YOLOv4的航拍小汽车检测方法 |
CN112926685A (zh) * | 2021-03-30 | 2021-06-08 | 济南大学 | 一种工业中钢材氧化带目标检测方法、系统及设备 |
CN112967243A (zh) * | 2021-02-26 | 2021-06-15 | 清华大学深圳国际研究生院 | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 |
-
2021
- 2021-08-25 CN CN202110984852.9A patent/CN113781412A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN110555467A (zh) * | 2019-08-13 | 2019-12-10 | 深圳创新奇智科技有限公司 | 一种基于模型迁移的工业数据分类方法 |
CN111145239A (zh) * | 2019-12-30 | 2020-05-12 | 南京航空航天大学 | 一种基于深度学习的飞机油箱多余物自动检测方法 |
CN112102229A (zh) * | 2020-07-23 | 2020-12-18 | 西安交通大学 | 一种基于深度学习的工业ct检测缺陷的智能识别方法 |
CN112541393A (zh) * | 2020-11-10 | 2021-03-23 | 国网浙江嵊州市供电有限公司 | 一种基于深度学习的变电站人员检测方法及装置 |
CN112668663A (zh) * | 2021-01-05 | 2021-04-16 | 南京航空航天大学 | 一种基于YOLOv4的航拍小汽车检测方法 |
CN112967243A (zh) * | 2021-02-26 | 2021-06-15 | 清华大学深圳国际研究生院 | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 |
CN112926685A (zh) * | 2021-03-30 | 2021-06-08 | 济南大学 | 一种工业中钢材氧化带目标检测方法、系统及设备 |
Non-Patent Citations (5)
Title |
---|
HAOJIA XIN 等: "PCB Electronic Component Defect Detection Method based on Improved YOLOv4 Algorithm", 《ICETIS 2021》 * |
刘永斌: "基于深度学习的BGA焊球空洞缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
史瑞鹏 等: "基于 YOLOv4 的遥感影像飞机目标检测", 《测绘通报》 * |
陈慧岩: "《智能车辆理论与应用》", 31 July 2018, 《北京理工大学出版社》 * |
韩玉洁 等: "基于改进YOLO的无人机对地多目标检测", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035045A (zh) * | 2022-05-19 | 2022-09-09 | 西安速视光电科技有限公司 | 一种基于高分辨率X-Ray图像的异物智能检测方法及系统 |
CN115035045B (zh) * | 2022-05-19 | 2023-04-25 | 西安速视光电科技有限公司 | 一种基于高分辨率X-Ray图像的异物智能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN115187527B (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN116109635B (zh) | 复合悬式绝缘子表面质量检测方法、装置、设备及介质 | |
CN115345894A (zh) | 一种焊缝射线检测图像分割方法 | |
CN113781412A (zh) | 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 | |
CN116228741A (zh) | 一种pcba元器件缺陷检测方法及装置 | |
CN110544243B (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
CN112102242A (zh) | 一种基于轻量级网络的pcb元器件检测方法 | |
CN115713480A (zh) | 一种集成电路金属封装深度学习缺陷检测方法 | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
Liu et al. | Research on surface defect detection based on semantic segmentation | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN113962933A (zh) | 一种基于改进YOLOv3的PCB缺陷图像检测方法 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
CN111929335A (zh) | 一种x光电缆检测系统 | |
CN112508862A (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
EP4138032A1 (en) | Predicting a quality of a printed circuit board assembly from production data | |
CN116408462B (zh) | 一种激光金属增材沉积内部孔隙状态实时预测方法 | |
TWI832180B (zh) | 瑕疵檢測方法及系統 |
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 |