CN115965599B - Igbt功率模块散热器表面缺陷识别方法 - Google Patents
Igbt功率模块散热器表面缺陷识别方法 Download PDFInfo
- Publication number
- CN115965599B CN115965599B CN202211696745.7A CN202211696745A CN115965599B CN 115965599 B CN115965599 B CN 115965599B CN 202211696745 A CN202211696745 A CN 202211696745A CN 115965599 B CN115965599 B CN 115965599B
- Authority
- CN
- China
- Prior art keywords
- power module
- igbt power
- self
- attention
- radiator
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法，涉及机器学习与模式识别技术领域，能够提升IGBT功率模块散热器表面缺陷识别性能，包括以下步骤：1)通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像来构建训练样本；2)将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型3)将代表IGBT功率模块散热器两种不同类别(良品、非良品)的训练样本送入设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型。本发明能大幅度提高IGBT功率模块散热器表面缺陷识别的性能。
Description
技术领域
本发明涉及机器学习与模式识别技术领域，具体涉及一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法。
背景技术
IGBT功率模块是以绝缘栅双极型晶体管(IGBT)构成的功率模块，被广泛应用于交流电机、变频器、开关电源、照明电路、牵引传动等领域。IGBT功率模块在工作的过程中会产生大量的热量，随着工作时间的延长，其自身温度会逐渐上升，当温度超过额定工作温度时，IGBT功率模块将会出现故障，因此对IGBT功率模块配备散热器对其进行散热降温处理，有助于IGBT功率模块的正常稳定运行，可极大地延长IGBT功率模块的使用周期。
由于散热器在生产和运输中因各种不可控因素会导致表面出现缺陷，因此需对散热器表面质量进行排查。现阶段，多数企业采用人工在线测试法识别散热器表面缺陷，但是受工作环境和时间的影响，人工在线测试法无法维持较高的准确率。随着深度学习技术的快速发展，基于深度学习的产品表面缺陷识别方法因对产品具有非接触、无损伤，并可在恶劣环境下长期工作、识别效率高的优势，将逐步替代人工在线测试法。
发明内容
本发明的目的在于提出一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法，该方法能够获取更具辨识力和鲁棒性的IGBT功率模块散热器特征描述子，可提高IGBT功率模块散热器表面缺陷识别性能。
按照本发明提出的技术方案，所述IGBT功率模块散热器表面缺陷识别方法包括以下步骤：
步骤1，通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像构建数据集，随机选取224*224的RGB图像块作为IGBT功率模块散热器的训练样本，涵盖良品和非良品2种不同类别，分别用0，1代表良品标签和非良品标签；
步骤2，将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型；
步骤3，将步骤1代表IGBT功率模块散热器两种不同类别(良品、非良品)的训练样本送入设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型，利用该模型进行IGBT功率模块散热器表面缺陷识别。
步骤2中所述的自注意力残差学习模型由6级子网络组成，包括：
第1级子网络以分辨率为(3,224,224)的IGBT功率模块散热器图像作为输入，依次经过64通道7*7卷积层、批标准化层、ReLU激活层、3*3最大池化层，输出分辨率为(64,56,56)的特征图；
第2级子网络以分辨率为(64,56,56)的特征图作为输入，其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(64,56,56)的特征图；
第3级子网络以分辨率为(64,56,56)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(128,28,28)的特征图；
第4级子网络以分辨率为(128,28,28)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过5个第一残差模块，另一分支先后经过5个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(256,14,14)的特征图；
第5级子网络以分辨率为(256,14,14)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过2个第一残差模块，另一分支先后经过2个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(512,7,7)的特征图；
第6级子网络以分辨率为(512,7,7)的特征图作为输入，先后经过全局平均池化层，2个全连接层(分别含有1000个神经元和2个神经元)、Softmax标准化层，输出2维的特征向量，用于表示IGBT功率模块散热器两种不同类别(良品、非良品)的概率。
具体的，上述模型中，所述第一残差模块的输入特征首先依次经过3*3卷积层、ReLU激活函数、3*3卷积层来学习残差函数，再与另一恒等映射分支进行逐元素相加后经过ReLU激活函数得到第一残差模快的输出特征，第一残差模块的输出特征图与输入特征图形状相同。
所述第二残差模块的输入特征首先经过3*3卷积层并进行步长为2的下采样，再依次经过ReLU激活函数、3*3卷积层来学习残差函数，然后与另一个分支的1*1卷积层构成的线性映射经步长为2的下采样后进行逐元素相加，再经过ReLU激活函数得到第二残差模块的输出特征，第二残差模块的输出与输入的特征图形状不同。
上述模型中，所述自注意力模块借助特征变换和特征聚合操作，可同时捕获空间维度和通道维度的语义相关性，生成像素级自注意力特征。
具体的，所述自注意力模块通过以下步骤生成像素级自注意力特征：
步骤2.1，应用两个线性变换对输入特征图的两个不同空间位置的像素特征进行降维，得到维度匹配的两个降维特征，再进行求和运算，获取相同维度的像素级合成特征；
步骤2.2，将像素级合成特征依次进行线性变换、ReLU非线性变换、线性变换，得到反映像素之间语义关系的自注意力权重向量，反映每个像素点对于IGBT功率模块散热器表面缺陷识别的重要程度；
步骤2.3，将自注意力权重向量与另一个线性变换后的像素级降维特征进行哈达玛积聚合运算，得到聚合特征向量；
步骤2.4，将聚合特征向量经过ReLU非线性变换和线性变换，得到与输入特征图通道维度匹配的自注意力特征向量，其输出特征图与输入特征图形状相同。
具体的，步骤3中，交叉熵损失函数Loss可表示为：
其中N＝2表示IGBT功率模块散热器两种不同类别(良品、非良品)，pi表示真实的类别，表示预测的类别输出。
本发明能够取得以下有益效果：
1、本发明综合考虑空间维度和通道维度的语义相关性，提出自注意力学习模块，有利于提取IGBT功率模块散热器图像的显著特征表示，提高IGBT功率模块散热器表面缺陷识别的性能。
2、本发明基于深度残差学习和自注意力机制相融合的方法构建自注意力残差学习模型，有利于提取更具辨识力和鲁棒性的特征描述子，可进一步提高IGBT功率模块散热器表面缺陷识别性能。
附图说明
图1是本发明提供的自注意力残差学习模型原理图。
图2是本发明自注意力残差学习模型各级子网络流程图。
图3是本发明第一残差模块、第二残差模块流程图。
图4是本发明自注意力模块流程图。
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，以下结合附图和实施例对本发明进行进一步详细说明。
本发明的基本思路在于，提出一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法，提升IGBT功率模块散热器表面缺陷识别性能，其采用的自注意力残差学习模型如图1所示，本发明的总体流程包括以下步骤：
步骤1，通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像构建数据集。随机选取224*224的RGB图像块作为IGBT功率模块散热器的训练样本，涵盖良品和非良品2种不同类别，用0代表良品标签，1代表非良品标签。
步骤2，将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型，共包括6级子网络，如图2所示，具体如下：
第1级子网络以分辨率为(3,224,224)的IGBT功率模块散热器图像作为输入，依次经过64通道7*7卷积层、批标准化层、ReLU激活层、3*3最大池化层，输出分辨率为(64,56,56)的特征图；
第2级子网络以分辨率为(64,56,56)的特征图作为输入，其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(64,56,56)的特征图；
第3级子网络以分辨率为(64,56,56)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(128,28,28)的特征图；
第4级子网络以分辨率为(128,28,28)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过5个第一残差模块，另一分支先后经过5个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(256,14,14)的特征图；
第5级子网络以分辨率为(256,14,14)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过2个第一残差模块，另一分支先后经过2个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(512,7,7)的特征图；
第6级子网络以分辨率为(512,7,7)的特征图作为输入，先后经过全局平均池化层，2个全连接层(分别含有1000个神经元和2个神经元)、Softmax标准化层，输出2维的特征向量，用于表示IGBT功率模块散热器两种不同类别(良品、非良品)的概率。
上述自注意力残差学习模型第2级到第5级子网络所包含的第一残差模块、第二残差模块和自注意力模块的具体描述如下。
第一残差模块、第二残差模块的网络结构如图3所示。第一残差模块的输入特征x首先依次经过3*3卷积层、ReLU激活函数、3*3卷积层来学习残差函数f1(x,{Wi})，再与另一恒等映射分支进行逐元素相加后经过ReLU激活函数得到第一残差模快的输出特征y。
第一残差模块的输出特征y与输入特征x的关系可表示为：
y＝σ(f1(x,{Wi})+x)
其中{Wi}为要学习的权重矩阵，σ(·)为ReLU激活函数，第一残差模块的输出特征图与输入特征图形状相同。若输入特征图的分辨率为(C,H,W)，其输出特征图的分辨率也为(C,H,W)。
第二残差模块的输入特征x首先依次经过：3*3卷积层并进行步长为2的下采样、ReLU激活函数、3*3卷积层来学习残差函数f2(x,{Wi})，然后与另一个分支的1*1卷积层构成的线性映射Wsx经步长为2的下采样后进行逐元素相加，再经过ReLU激活函数得到第二残差模块的输出特征y。
第二残差模块的输出特征y与输入特征x的关系可表示为：
y＝σ(f2(x,{Wi})+Wsx)
其中{Wi}、Ws为要学习的权重矩阵，σ(·)为ReLU激活函数，Wsx用于调整特征通道的维度，步长为2的下采样用于调整特征图的空间分辨率，因此第二残差模块的输出y与输入x的特征图形状不同。若输入特征图的分辨率为(C,H,W)，其输出特征图的分辨率调整为(2C,H/2,W/2)。
自注意力模块的网络结构如图4所示，借助特征变换和特征聚合操作，可同时捕获空间维度和通道维度的语义相关性，其通过以下步骤生成像素级自注意力特征：
步骤2.1，应用两个线性变换α(·)、β(·)对输入特征图的两个不同空间位置的像素特征xi、xj进行降维，得到维度匹配的两个降维特征α(xi)、β(xj)，再进行求和运算，获取相同维度的像素级合成特征λ(xi,xj)，具体可表示为：
λ(xi,xj)＝α(xi)+β(xj)，j∈R(i)
其中i、j分别表示分辨率为(C,H,W)的输入特征图的空间位置索引，R(i)表示特征图中空间位置索引i周围的局部区域。
步骤2.2，将λ(xi,xj)征依次进行线性变换ReLU非线性变换σ(·)、线性变换ψ(·)，得到反映像素之间语义关系的自注意力权重向量ω(xi,xj)，具体可表示为：
其中ω(xi,xj)反映每个像素点对于IGBT功率模块散热器表面缺陷识别的重要程度。
步骤2.3，将ω(xi,xj)与另一个线性变换γ(·)后的像素级降维特征γ(xj)，j∈R(i)进行哈达玛积聚合运算，得到聚合特征向量zi，具体可表示为：
其中表示哈达玛积运算符。
步骤2.4，将聚合特征向量经过ReLU非线性变换和线性变换，得到与输入特征图通道维度匹配的自注意力特征向量。
首先，将聚合特征向量zi经过ReLU非线性变换σ(·)和线性变换η(·)，得到特征图的空间位置索引i处的自注意力特征向量yi，具体可表示为：
yi＝η(σ(zi))
其中线性变换η(·)用于对特征进行升维，以保持和输入特征图的通道维度一致。通过遍历输入特征图不同的空间位置索引i，可得到自注意力输出特征y，其输出特征图的分辨率为(C,H,W)，与输入特征图形状相同。
步骤3，将步骤1代表IGBT功率模块散热器两种不同类别(良品、非良品)的训练样本送入以上设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型。交叉熵损失函数Loss具体可表示为：
其中N＝2表示IGBT功率模块散热器两种不同类别(良品、非良品)，pi表示真实的类别，表示预测的类别输出。
以上得到了用于IGBT功率模块散热器表面缺陷识别的优选模型，使用该模型进行IGBT功率模块散热器表面缺陷识别，能够提升IGBT功率模块散热器表面缺陷识别性能。
本发明通过检测工位安装的监控摄像头采集IGBT功率模块散热器2种不同类别(良品和非良品)的训练样本，将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型，应用交叉熵损失函数监督指导IGBT功率模块散热器2种不同类别特征在网络中的学习，获取更具辨识力和鲁棒性的IGBT功率模块散热器特征描述子，提高了IGBT功率模块散热器表面缺陷识别性能。
Claims (8)
1.IGBT功率模块散热器表面缺陷识别方法，其特征在于，包括以下步骤：
步骤1，通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像，构建数据集；在历史拍摄图像中随机选取设定尺寸的RGB图像块作为IGBT功率模块散热器的训练样本，涵盖良品和非良品2种类别，分别用0，1代表良品标签和非良品标签；
步骤2，将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型；
所述自注意力残差学习模型包括6级子网络，具体包括：
第1级子网络以分辨率为(3,224,224)的IGBT功率模块散热器图像作为输入，依次经过64通道7*7卷积层、批标准化层、ReLU激活层、3*3最大池化层，输出分辨率为(64,56,56)的特征图；
第2级子网络以分辨率为(64,56,56)的特征图作为输入，其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(64,56,56)的特征图；
第3级子网络以分辨率为(64,56,56)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(128,28,28)的特征图；
第4级子网络以分辨率为(128,28,28)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过5个第一残差模块，另一分支先后经过5个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(256,14,14)的特征图；
第5级子网络以分辨率为(256,14,14)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过2个第一残差模块，另一分支先后经过2个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(512,7,7)的特征图；
第6级子网络以分辨率为(512,7,7)的特征图作为输入，先后经过全局平均池化层，2个全连接层、Softmax标准化层，输出2维的特征向量，用于表示IGBT功率模块散热器两种类别的概率；
步骤3，将步骤1代表IGBT功率模块散热器两种不同类别的训练样本送入步骤2设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型，利用该模型进行IGBT功率模块散热器表面缺陷识别。
2.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，所述第6级子网络的2个全连接层分别含有1000个神经元和2个神经元。
3.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，所述第一残差模块的输入特征首先依次经过3*3卷积层、ReLU激活函数、3*3卷积层来学习残差函数，再与另一恒等映射分支进行逐元素相加后经过ReLU激活函数得到第一残差模块的输出特征；第一残差模块的输出特征图与输入特征图形状相同。
4.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，所述第二残差模块的输入特征首先经过3*3卷积层并进行步长为2的下采样，再依次经过ReLU激活函数、3*3卷积层来学习残差函数，然后与另一个分支的1*1卷积层构成的线性映射经步长为2的下采样后进行逐元素相加，再经过ReLU激活函数得到第二残差模块的输出特征；第二残差模块的输出特征图与输入特征图形状不同。
5.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，所述自注意力模块借助特征变换和特征聚合操作，同时捕获空间维度和通道维度的语义相关性，生成像素级自注意力特征。
6.根据权利要求5所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，所述自注意力模块通过以下步骤生成像素级自注意力特征：
步骤2.1，应用两个线性变换对输入特征图的两个不同空间位置的像素特征进行降维，得到维度匹配的两个降维特征，再进行求和运算，获取相同维度的像素级合成特征；
步骤2.2，将像素级合成特征依次进行线性变换、ReLU非线性变换、线性变换，得到反映像素之间语义关系的自注意力权重向量，反映每个像素点对于IGBT功率模块散热器表面缺陷识别的重要程度；
步骤2.3，将自注意力权重向量与另一个线性变换后的像素级降维特征进行哈达玛积聚合运算，得到聚合特征向量；
步骤2.4，将聚合特征向量经过ReLU非线性变换和线性变换，得到与输入特征图通道维度匹配的自注意力特征向量，其输出特征图与输入特征图形状相同。
7.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，步骤1所述设定尺寸是224*224像素。
8.根据权利要求1所述的IGBT功率模块散热器表面缺陷识别方法，其特征在于，步骤3中，所述交叉熵损失函数Loss表示为：
其中N＝2表示IGBT功率模块散热器分两种类别，pi表示真实的类别，表示预测的类别输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211696745.7A CN115965599B (zh) | 2022-12-28 | 2022-12-28 | Igbt功率模块散热器表面缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211696745.7A CN115965599B (zh) | 2022-12-28 | 2022-12-28 | Igbt功率模块散热器表面缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965599A CN115965599A (zh) | 2023-04-14 |
| CN115965599B true CN115965599B (zh) | 2023-11-14 |
Family
ID=87361115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211696745.7A Active CN115965599B (zh) | 2022-12-28 | 2022-12-28 | Igbt功率模块散热器表面缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965599B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843680B (zh) * | 2023-08-29 | 2023-12-15 | 深圳市华盛源机电有限公司 | Igbt功率模块散热器表面缺陷识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
| WO2022151535A1 (zh) * | 2021-01-15 | 2022-07-21 | 苏州大学 | 基于深度学习的人脸特征点检测方法 |
| CN115273046A (zh) * | 2022-07-29 | 2022-11-01 | 黄山学院 | 一种用于智能视频分析的驾驶员行为识别方法 |
-
2022
- 2022-12-28 CN CN202211696745.7A patent/CN115965599B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
| WO2022151535A1 (zh) * | 2021-01-15 | 2022-07-21 | 苏州大学 | 基于深度学习的人脸特征点检测方法 |
| CN115273046A (zh) * | 2022-07-29 | 2022-11-01 | 黄山学院 | 一种用于智能视频分析的驾驶员行为识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Deep Self-Attention Residual Convolutional Neural Network for Automatic Recognition of Aluminum Profile Surface Defects;Zhengjin Shi等;2021 International Conference on Computer Information Science and Artificial Intelligence (CISAI);83-87 * |
| 基于自注意力卷积网络的遥感图像分类;李彦甫等;北京林业大学学报;第43卷(第10期);81-88 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115965599A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
| CN112750129B (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
| CN113642634A (zh) | 一种基于混合注意力的阴影检测方法 | |
| CN115965599B (zh) | Igbt功率模块散热器表面缺陷识别方法 | |
| CN110895814B (zh) | 基于上下文编码网络的航空发动机孔探图像损伤分割方法 | |
| CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 | |
| CN113781466B (zh) | 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法 | |
| CN110866490A (zh) | 一种基于多任务学习的人脸检测方法及装置 | |
| CN116071327A (zh) | 一种基于深度神经网络的工件缺陷检测方法 | |
| CN113076816A (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
| Jiang et al. | Attention M-net for automatic pixel-level micro-crack detection of photovoltaic module cells in electroluminescence images | |
| CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
| Tao et al. | Electric insulator detection of UAV images based on depth learning | |
| 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 | |
| CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
| CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
| CN108550111B (zh) | 一种基于多级字典学习的残差实例回归超分辨重建方法 | |
| CN114155246B (zh) | 一种基于可变形卷积的输电塔销钉缺陷检测方法 | |
| CN116563250A (zh) | 一种复原式自监督疵点检测方法、装置及存储介质 | |
| CN114494186B (zh) | 一种高压输变电线路电气设备的故障检测方法 | |
| CN115631186A (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
| Qin et al. | EDDNet: An efficient and accurate defect detection network for the industrial edge environment | |
| CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
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 |