CN114463280A - 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 - Google Patents
一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 Download PDFInfo
- Publication number
- CN114463280A CN114463280A CN202210029841.XA CN202210029841A CN114463280A CN 114463280 A CN114463280 A CN 114463280A CN 202210029841 A CN202210029841 A CN 202210029841A CN 114463280 A CN114463280 A CN 114463280A
- Authority
- CN
- China
- Prior art keywords
- encoder
- defect
- image
- chip
- 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.)
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法,改善了现有技术中芯片表面缺陷检测仍须智能化的问题。该发明含有以下步骤,步骤1,芯片图像采集与预处理;步骤2,构建并训练改进的卷积变分自编码器;步骤3,对待测芯片进行实时缺陷检测。本发明对传统的变分自编码器进行了部分改进,仅使用正常样本进行无监督训练,无需有标注的缺陷样本数据,就能够检测出与正常样本相异的所有缺陷,减少了人力物力,同时该方法将原始图像分解成多个子图像后并行处理,可以高效快速低成本地对芯片表面进行各类缺陷检测。
Description
技术领域
本发明涉及计算机视觉应用于芯片筛选的技术领域,特别是涉及一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法。
背景技术
芯片表面缺陷检测的目的是为了剔除生产线上存在字符缺陷、引脚缺陷、表面划痕等表面缺陷的次品芯片,是控制产品品质的关键。传统的基于显式特征提取的缺陷检测方法需要手工设计进行特征提取,费事费力;而目前大部分基于深度学习的表面缺陷检测方法是基于大量的缺陷样本的有监督学习,需要大量标注好的训练样本端到端进行学习,但是大量缺陷样本的收集十分困难,缺陷出现的偶然性与随机性使得各种缺陷类型难以收集完全,训练出来的模型难以检测到未学习过的缺陷,并且缺陷样本的标签标注也需要耗费大量的精力和时间成本。同时,以往的缺陷检测方法全程计算量大,运行时间较长,检测速度慢,无法满足工业品缺陷检测的时效性,部分有针对性的检测方法也无法全面检测出所有类型的表面缺陷。因此芯片表面缺陷检测领域内的上述标注数据集少、检测时间长、检测不全面等问题急须解决。
发明内容
本发明改善了现有技术中芯片表面缺陷检测仍须智能化的问题,提供一种检测时间短和检测全面的基于改进卷积变分自编码器的芯片表面缺陷并行检测方法。
本发明的技术解决方案是,提供一种具有以下步骤的基于改进卷积变分自编码器的芯片表面缺陷并行检测方法:含有以下步骤,步骤1,芯片图像采集与预处理;步骤2,构建并训练改进的卷积变分自编码器;步骤3,对待测芯片进行实时缺陷检测。
优选地,所述步骤1中使用高清摄像模块,主机图像处理模块以及采光照明模块进行图像采集并存储,采集正常芯片的表面图像,将采集到的正常芯片图像分解为多个大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务,另配备缺陷声光警报模块提示检测出缺陷芯片。
优选地,所述步骤2包含以下步骤:步骤2.1、构建改进的卷积变分自编码器网络,该网络由一个编码器和一个解码器构成:
设置编码器包含有五个卷积子模块,每个卷积子模块均由两个全卷积层和一个最大池化层构成,用于卷曲图像特征并减少参数数量,解码器结构含有与编码器完全对称的结构,将卷积层变为转置卷积层,最大池化层变为最大反池化层,在编码器和解码器的各个卷积子模块之间,加入自注意力模块CBAM和深度连接注意力网络模块DCAnet进行连接,其中CBAM模块又包含有通道注意力子模块CAM和空间注意力子模块SAM;
步骤2.2、训练卷积变分自编码器:
在训练阶段将采集到的正常芯片表面图像输入改进的卷积变分自编码器网络中,使用交叉熵损失作为重构损失,并计入为损失函数中的一项,计算方式如下:Loss1=||x'-x||2其中x'表示重构图像数据,x表示输入图像数据;同时,为了将编码器正则化,使用KL散度作为损失函数的另一项,Loss2=KL(N(μ,σ2)|N(0,1)),其中N(μ,σ2)为输入图像数据在低维潜在空间表示中隐变量的正态分布,显然均值μ,方差σ2为该隐变量的特征参数,N(0,1)为标准正态分布,该过程总的损失函数则为Loss=Loss1+Loss2,而另一编码器E2的网络结构与编码器E1完全一致。
优选地,所述步骤3包含以下步骤:实时采集工业生产线上的待测芯片表面图像,将采集到的待测芯片图像同样分解为NxN个像素为SxT大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务,将实时采集的芯片表面图像分别输入检测网络中的编码器E1和编码器E2,当输入的芯片表面图像Q1存在缺陷时,网络模型中的编码器E2会提取出缺陷图像特征,并获得该图像的低维潜在空间特征表示C2,记||C1-C2||为芯片表面缺陷异常分数得分值之一,卷积变分自编码器网络模型中与编码器E2相连接的解码器D1在生成重构图像的过程中能够自动去除缺陷特征,而保留正常特征;于是将缺陷芯片的重构图像Q2与输入的缺陷芯片表面图像Q1相减得到残差图,残差图含有的信息不仅能够判定待测芯片是否存在缺陷而且能够标定出缺陷位置,将残差图进行数字化处理得到其具体数值表示||Q1-Q2||记为另一缺陷得分值,将上述两个缺陷得分值进行加权求和,于是获得最终的异常得分值的计算公式M=λ1||C1-C2||+λ2||Q1-Q2||,将该异常得分值值与设定的阈值进行比较,超过阈值则认定为存在缺陷,并利用残差图标定缺陷。
与现有技术相比,本发明基于改进卷积变分自编码器的芯片表面缺陷并行检测方法具有以下优点:对传统的变分自编码器进行了部分改进,仅使用正常样本进行无监督训练,无需有标注的缺陷样本数据,就能够检测出与正常样本相异的所有缺陷,减少了人力物力,同时该方法将原始图像分解成多个子图像后并行处理,可以高效快速低成本地对芯片表面进行各类缺陷检测。
可以有效实现芯片表面的全面缺陷检测,所检测的缺陷包括字符缺陷、引脚缺陷以及封装缺陷等各类表面缺陷,将表面有缺陷的次品芯片剔除。且训练模型时不需要人工对图像进行标注,属于无监督缺陷检测模型,减少了人力与时间成本。同时将实时检测图像分解为多个子图像,并行计算多个缺陷检测子任务,大大减少了缺陷检测时间,提高了检测效率。
附图说明
图1是本发明的具体流程示意图;
图2是本发明构建的卷积变分自编码网络原理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明基于改进卷积变分自编码器的芯片表面缺陷并行检测方法作进一步说明:本实施例中包括以下步骤:
S1,芯片图像采集与预处理,S2,构建并训练改进的卷积变分自编码器,S3,对待测芯片进行实时缺陷检测。
S1包含以下步骤:
S1.1、使用高清摄像模块,主机图像处理模块以及采光照明模块进行图像采集并存储,以便后续图像处理,另外配备有缺陷声光警报模块用于提示检测出缺陷芯片。使用CCD相机,两个LED列阵光源交叉进行扇形暗场照明。
S1.2、采集正常芯片的表面图像,将采集到的正常芯片图像分解为NxN个像素为SxT大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务。需要注意的是对每个子图像的检测流程均是相同的,具体分解的子图像大小和多少根据实际主机算力确定,使得整图的缺陷检测时间尽量少。
S2包含以下步骤:
S2.1、构建改进的卷积变分自编码器网络,该网络由两个编码器和一个解码器构成:
其中一个编码器E1在训练阶段使用正常图片进行训练获取得到描述正常图片在隐层变量分布的参数C1(也即正常图像特征),该参数(经训练后维持不变)输入到与编码器E1对应连接的解码器D1,解码器D1对其进行解码,即可获得输入图像的重构图。而另一编码器E2则在检测阶段提取得到描述待测图片特征的隐层变量分布参数C2,将其与参数C1对比判定图像是否存在缺陷。
为了更好地让网络模型学习提取输入图像的特征,我们在传统变分自编码器结构的基础上进行了改进。首先我们设置编码器包含有五个卷积子模块,每个卷积子模块均由两个全卷积层和一个最大池化层构成,用于卷曲图像特征并减少参数数量。卷积模块一中卷积核尺寸为9X9且步长为1X1,最大池化层尺寸为2X2;卷积模块二中卷积核尺寸为7X7且步长为1X1,最大池化层尺寸为2X2;卷积模块三中卷积核尺寸为5X5且步长为1X1,最大池化层尺寸为2X2;卷积模块四中卷积核尺寸为3X3且步长为1X1,最大池化层尺寸为2X2;卷积模块五中卷积核尺寸为1X1且步长为1X1,最大池化层尺寸为2X2。而解码网络结构则含有与编码网络完全对称的结构,只是将卷积层变为转置卷积层,最大池化层变为最大反池化层,通过反卷积、反池化操作将卷积、池化缩小的图像恢复到原图大小,能够实现对原图的重构。其中卷积层的激活函数,除了解码器最后一层使用tanh函数外,其余均使用ReLU函数。使用完全连接层和采样层连接编码器E1与解码器D1。
另外,我们在编码器和解码器的各个卷积子模块之间,加入了轻量级的自注意力模块CBAM和深度连接注意力网络模块DCAnet进行连接,以求进一步地有效提取出图像的显著特征。其中CBAM模块又包含有通道注意力子模块CAM和空间注意力子模块SAM,组合采用先CAM模块再SAM模块的串行方式,用来提升模型对图像有效信息的关注度。CAM模块将输入的特征图分别经过基于width和height的最大池化层和平均池化层,得到两个缩减的子特征图,再将它们分别送入一个两层的神经网络(MLP),这个两层的神经网络是共享的,激活函数均为Relu。而后将MLP输出的特征进行加和操作,再经过sigmoid激活操作,生成最终的通道自注意力特征,送入SAM模块。同样的,SAM结构包含有一个最大池化层、一个平均池化层、一个卷积层和sigmoid激活函数(串行方式组合),生成获得的空间自注意力特征,将其与之前的通道自注意力特征进行乘法操作,得到最终生成的特征。而DCAnet将相邻的自注意力模块互相连接,让信息在自注意力模块之间流动,从而提升自注意力模块CBAM的特征提取性能。
上述改进,均是为了让网络模型中的编码器能够提取出输入图像的最显著有效特征,并获得该图像最佳的低维潜在空间表示。同时使得解码器能够根据低维潜在空间表示,重构出与输入图像相近的图像。
S2.2、训练卷积变分自编码器。
在训练阶段将采集到的正常芯片表面图像输入改进的卷积变分自编码器网络中,由于卷积变分自编码器网络中编码器E1优良的特征提取能力以及解码器D1优异的生成能力,可以有效地提取出正常芯片表面图像的显著特征,且该特征可以用低维的潜在空间表示C1,并用经解码器D1生成重构图像。为了使得重构图像与输入图像尽量相同,这一过程中我们使用交叉熵损失作为重构损失,并计入为损失函数中的一项,计算方式如下:Loss1=||x'-x||2其中x'表示重构图像数据,x表示输入图像数据;同时,为了将编码器正则化,使用KL散度作为损失函数的另一项,Loss2=KL(N(μ,σ2)|N(0,1)),其中N(μ,σ2)为输入图像数据在低维潜在空间表示中隐变量的正态分布,显然均值μ,方差σ2为该隐变量的特征参数,N(0,1)为标准正态分布。这一过程总的损失函数则为Loss=Loss1+Loss2。而另一编码器E2的网络结构与编码器E1完全一致,只是其参数使用自定义的优化参数,根据编码器E1的训练过程择优选取,使得其在检测阶段能够有效的提取出待测芯片的显著特征,并获得其潜在空间表示(亦即隐变量分布参数)。
S3包含以下步骤:
S3.1、实时采集工业生产线上的待测芯片表面图像,将采集到的待测芯片图像同样分解为NxN个像素为SxT大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务。输入训练好的卷积变分自编码器网络模型当中,计算异常得分值,并根据经验设定阈值,超过阈值则认定为存在缺陷,并用残差图标定缺陷。
将实时采集的芯片表面图像分别输入检测网络中的编码器E1和编码器E2,当输入的芯片表面图像Q1存在缺陷时,网络模型中的编码器E2会提取出缺陷图像特征,并获得该图像的低维潜在空间特征表示C2。显然该特征表示与正常图像的低维潜在空间特征表示C1有差异,我们记||C1-C2||为芯片表面缺陷异常分数得分值之一。
同时,卷积变分自编码器网络模型中与编码器E2相连接的解码器D1在生成重构图像的过程中能够自动去除缺陷特征,而保留正常特征;于是将缺陷芯片的重构图像Q2与输入的缺陷芯片表面图像Q1相减得到残差图,残差图含有的信息不仅能够判定待测芯片是否存在缺陷而且能够标定出缺陷位置,将残差图进行数字化处理得到其具体数值表示||Q1-Q2||记为另一缺陷得分值。将上述两个缺陷得分值进行加权求和,于是获得最终的异常得分值的计算公式M=λ1||C1-C2||+λ2||Q1-Q2||。将该异常得分值值与设定的阈值进行比较,超过阈值则认定为存在缺陷,并利用残差图标定缺陷,从而实现芯片表面的缺陷检测。
Claims (4)
1.一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法,其特征在于:含有以下步骤,
步骤1,芯片图像采集与预处理;
步骤2,构建并训练改进的卷积变分自编码器;
步骤3,对待测芯片进行实时缺陷检测。
2.根据权利要求1所述的基于改进卷积变分自编码器的芯片表面缺陷并行检测方法,其特征在于:所述步骤1中使用高清摄像模块,主机图像处理模块以及采光照明模块进行图像采集并存储,采集正常芯片的表面图像,将采集到的正常芯片图像分解为多个大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务,另配备缺陷声光警报模块提示检测出缺陷芯片。
3.根据权利要求1所述的基于改进卷积变分自编码器的芯片表面缺陷并行检测方法,其特征在于:所述步骤2包含以下步骤:
步骤2.1、构建改进的卷积变分自编码器网络,该网络由一个编码器和一个解码器构成:
设置编码器包含有五个卷积子模块,每个卷积子模块均由两个全卷积层和一个最大池化层构成,用于卷曲图像特征并减少参数数量,解码器结构含有与编码器完全对称的结构,将卷积层变为转置卷积层,最大池化层变为最大反池化层,在编码器和解码器的各个卷积子模块之间,加入自注意力模块CBAM和深度连接注意力网络模块DCAnet进行连接,其中CBAM模块又包含有通道注意力子模块CAM和空间注意力子模块SAM;
步骤2.2、训练卷积变分自编码器:
在训练阶段将采集到的正常芯片表面图像输入改进的卷积变分自编码器网络中,使用交叉熵损失作为重构损失,并计入为损失函数中的一项,计算方式如下:Loss1=||x'-x||2其中x'表示重构图像数据,x表示输入图像数据;同时,为了将编码器正则化,使用KL散度作为损失函数的另一项,Loss2=KL(N(μ,σ2)|N(0,1)),其中N(μ,σ2)为输入图像数据在低维潜在空间表示中隐变量的正态分布,显然均值μ,方差σ2为该隐变量的特征参数,N(0,1)为标准正态分布,该过程总的损失函数则为Loss=Loss1+Loss2,而另一编码器E2的网络结构与编码器E1完全一致。
4.根据权利要求1所述的基于改进卷积变分自编码器的芯片表面缺陷并行检测方法,其特征在于:所述步骤3包含以下步骤:实时采集工业生产线上的待测芯片表面图像,将采集到的待测芯片图像同样分解为NxN个像素为SxT大小相同的图像,创建多个图像检测任务,为每个图像检测任务创建一个线程,多个线程并行处理图像缺陷检测任务,将实时采集的芯片表面图像分别输入检测网络中的编码器E1和编码器E2,当输入的芯片表面图像Q1存在缺陷时,网络模型中的编码器E2会提取出缺陷图像特征,并获得该图像的低维潜在空间特征表示C2,记||C1-C2||为芯片表面缺陷异常分数得分值之一,卷积变分自编码器网络模型中与编码器E2相连接的解码器D1在生成重构图像的过程中能够自动去除缺陷特征,而保留正常特征;于是将缺陷芯片的重构图像Q2与输入的缺陷芯片表面图像Q1相减得到残差图,残差图含有的信息不仅能够判定待测芯片是否存在缺陷而且能够标定出缺陷位置,将残差图进行数字化处理得到其具体数值表示||Q1-Q2||记为另一缺陷得分值,将上述两个缺陷得分值进行加权求和,于是获得最终的异常得分值的计算公式M=λ1||C1-C2||+λ2||Q1-Q2||,将该异常得分值值与设定的阈值进行比较,超过阈值则认定为存在缺陷,并利用残差图标定缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029841.XA CN114463280A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029841.XA CN114463280A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463280A true CN114463280A (zh) | 2022-05-10 |
Family
ID=81410033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029841.XA Pending CN114463280A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463280A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及系统 |
CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
CN117969553A (zh) * | 2024-03-28 | 2024-05-03 | 杭州映图智能科技有限公司 | 一种tpv针织复合管外观在线视觉检测系统 |
-
2022
- 2022-01-12 CN CN202210029841.XA patent/CN114463280A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及系统 |
CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
CN117969553A (zh) * | 2024-03-28 | 2024-05-03 | 杭州映图智能科技有限公司 | 一种tpv针织复合管外观在线视觉检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463280A (zh) | 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
US20220262108A1 (en) | Apparatus, program, and method for anomaly detection and classification | |
CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
CN112766195B (zh) | 一种电气化铁路弓网燃弧视觉检测方法 | |
Cheng et al. | Snow mask guided adaptive residual network for image snow removal | |
Branikas et al. | A novel data augmentation method for improved visual crack detection using generative adversarial networks | |
CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
Chen et al. | The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision | |
CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
CN111709936B (zh) | 一种基于多级特征比对的令纸缺陷检测方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN111161228A (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN111028250A (zh) | 一种实时智能验布方法及系统 | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
CN115700737A (zh) | 一种基于视频监控的溢油检测方法 | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
Huang et al. | Quality control on manufacturing computer keyboards using multilevel deep neural networks |
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 |