CN116525295A - 一种高频脉冲电容用金属化薄膜及其制备方法 - Google Patents
一种高频脉冲电容用金属化薄膜及其制备方法 Download PDFInfo
- Publication number
- CN116525295A CN116525295A CN202310805326.0A CN202310805326A CN116525295A CN 116525295 A CN116525295 A CN 116525295A CN 202310805326 A CN202310805326 A CN 202310805326A CN 116525295 A CN116525295 A CN 116525295A
- Authority
- CN
- China
- Prior art keywords
- feature map
- appearance
- frequency pulse
- metallized film
- image
- 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.)
- Granted
Links
- 239000011104 metalized film Substances 0.000 title claims abstract description 142
- 239000003990 capacitor Substances 0.000 title claims abstract description 108
- 238000002360 preparation method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000010408 film Substances 0.000 claims abstract description 34
- 239000004743 Polypropylene Substances 0.000 claims abstract description 13
- 230000032683 aging Effects 0.000 claims abstract description 9
- 238000001883 metal evaporation Methods 0.000 claims abstract description 9
- -1 polypropylene Polymers 0.000 claims abstract description 7
- 229920001155 polypropylene Polymers 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000005520 cutting process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 238000000151 deposition Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005566 electron beam evaporation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000007738 vacuum evaporation Methods 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/06—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the coating material
- C23C14/14—Metallic material, boron or silicon
- C23C14/20—Metallic material, boron or silicon on organic substrates
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/24—Vacuum evaporation
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/58—After-treatment
- C23C14/5806—Thermal treatment
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
- H01G4/00—Fixed capacitors; Processes of their manufacture
- H01G4/002—Details
- H01G4/005—Electrodes
- H01G4/012—Form of non-self-supporting electrodes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
- H01G4/00—Fixed capacitors; Processes of their manufacture
- H01G4/33—Thin- or thick-film capacitors
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Thermal Sciences (AREA)
- Quality & Reliability (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
公开了一种高频脉冲电容用金属化薄膜及其制备方法。其首先提供基膜,所述基膜为聚丙烯薄膜PP,接着,对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷,然后,对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜,最后,分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。这样,可以提高金属化薄膜的外观质量检测效率和制备精度,提高高频脉冲电容质量和可靠性。
Description
技术领域
本申请涉及智能化制备领域,且更为具体地,涉及一种高频脉冲电容用金属化薄膜及其制备方法。
背景技术
高频脉冲电容是一种重要的电容器,广泛应用于电子、通信和航空等领域。高频脉冲电容的性能直接受到金属化薄膜的影响,而目前金属化薄膜质量的稳定性和可靠性成为了制约其性能的瓶颈问题。因此,如何提高金属化薄膜的外观质量检测效率和制备精度,对于提高高频脉冲电容质量和可靠性具有重要意义。
然而,传统对高频脉冲电容用金属化薄膜的检测方法主要依靠专业技术人员通过经验进行判断,而不同的操作者在面对相同的金属化薄膜时,可能会得出不同的判断结果,导致检测结果的不确定性和误差。并且,在实际的金属化薄膜制备过程中,人工检测需要耗费大量时间和精力,同时也难以保证检测结果的准确性和稳定性,容易漏检或误判,进而影响高频脉冲电容的生产效率和品质,不能适应现代工业大规模生产和生产线快速运转的需求。
因此,期望一种优化的高频脉冲电容用金属化薄膜的制备方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高频脉冲电容用金属化薄膜及其制备方法。其可以提高金属化薄膜的外观质量检测效率和制备精度,提高高频脉冲电容质量和可靠性。
根据本申请的一个方面,提供了一种高频脉冲电容用金属化薄膜的制备方法,其包括:
提供基膜,所述基膜为聚丙烯薄膜PP;
对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷;
对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜;以及
分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。
根据本申请的另一个方面,提供了一种高频脉冲电容用金属化薄膜,所述高频脉冲电容用金属化薄膜由前述的高频脉冲电容用金属化薄膜的制备方法制得。
与现有技术相比,本申请提供的高频脉冲电容用金属化薄膜及其制备方法,其首先提供基膜,所述基膜为聚丙烯薄膜PP,接着,对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷,然后,对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜,最后,分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。这样,可以提高金属化薄膜的外观质量检测效率和制备精度,提高高频脉冲电容质量和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的流程图。
图2为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的子步骤S140的流程图。
图3为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的子步骤S140的架构示意图。
图4为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的子步骤S142的流程图。
图5为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的子步骤S1422的流程图。
图6为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的子步骤S14223的流程图。
图7为根据本申请实施例的高频脉冲电容用金属化薄膜的制备系统的框图。
图8为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
高频脉冲电容是一种用于电路中的电容器,高频脉冲电容的特点是能够承受高频的脉冲电压。金属化薄膜是一种用于制作电容器的常见材料,是一层金属薄膜,通常是铝或铜,被沉积在一个绝缘基材上。在高频脉冲电容中,金属化薄膜被用作电极,厚度通常只有几微米,可以提供一个高电容密度和低电阻的电容器结构。
传统对高频脉冲电容用金属化薄膜的检测方法主要依靠专业技术人员通过经验进行判断,而不同的操作者在面对相同的金属化薄膜时,可能会得出不同的判断结果,导致检测结果的不确定性和误差。并且,在实际的金属化薄膜制备过程中,人工检测需要耗费大量时间和精力,同时也难以保证检测结果的准确性和稳定性,容易漏检或误判,进而影响高频脉冲电容的生产效率和品质,不能适应现代工业大规模生产和生产线快速运转的需求。因此,期望一种优化的高频脉冲电容用金属化薄膜的制备方案。
相应地,在本申请的技术方案中,提出了一种高频脉冲电容用金属化薄膜的制备方法。图1为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的流程图。如图1所示,根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法,包括步骤:S110,提供基膜,所述基膜为聚丙烯薄膜PP;S120,对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷;S130,对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜;以及,S140,分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。
应可以理解,金属蒸镀是一种将金属沉积在基材表面的技术,通常使用真空蒸发或电子束蒸发等方法,在本申请实施例中,金属蒸镀是指将金属沉积在聚丙烯薄膜上,形成金属化薄膜的过程。时效处理是一种改变材料性质的热处理方法,通常是在高温下进行,在本申请实施例中,时效处理是指将金属化薄膜在一定的温度和时间条件下进行热处理,以改善其电学性能和稳定性。
应可以理解,分切是指将制备好的金属化薄膜膜卷切割成多个单独的电容器片段的过程。具体的分切方法可以根据不同的需求和设备进行选择,具体地,可以采用机械分切进行分切,使用切割机等机械设备对金属化薄膜膜卷进行切割,通常需要先进行模切,再进行整体切割,可以得到较为精确的电容器片段;还可以采用激光分切进行分切,使用激光切割机对金属化薄膜膜卷进行切割,可以实现高精度的切割,同时还可以进行非常细小的切割,适用于需要高精度和高效率的生产环境。
相应地,考虑到在实际进行高频脉冲电容用金属化薄膜的制备过程中,对于各个高频脉冲电容用金属化薄膜进行外观校验尤为重要,其是保证制备出的金属化薄膜质量和优化生产效率的关键。因此,在本申请的技术方案中,期望采用基于深度学习的机器视觉技术来对于被检测高频脉冲电容用金属化薄膜的外观检测图像进行分析和特征捕捉,从而对于金属化薄膜的外观质量进行检测,以进一步对于外观质量不合格的金属化薄膜进行相应处理,从而确保金属化薄膜的制备质量和效率,优化高频脉冲电容的生产效率和品质。
值得一提的是,检测金属化薄膜的主要内容包括:1.外观方面,留边清晰,膜面清洁、无划伤和氧化;2. 膜卷质量方面,端面平整,无毛刺、松动;3. 薄膜厚度及偏差。进一步地,还可以对膜宽、留边、膜卷内径、膜卷外径、主保险丝绝缘间隙、网边部宽、网格间距以及加厚区宽度(含过渡区)等尺寸,加厚区、活动区等的方阻,还有镀层牢固度进行检测。
图2为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的流程图。图3为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的架构示意图。如图2和图3所示,根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法,分别对所述多个高频脉冲电容用金属化薄膜进行外观校验,包括步骤:S141,通过摄像头采集被检测高频脉冲电容用金属化薄膜的外观检测图像;S142,从所述外观检测图像提取外观状态特征图;以及,S143,基于所述外观状态特征图,确定被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准。
更具体地,在步骤S142中,如图4所示,从所述外观检测图像提取外观状态特征图,包括:S1421,对所述外观检测图像进行图像灰度化处理以得到灰度化外观检测图像;以及,S1422,对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图。
应可以理解,在进行自动化图像检测时,将彩色图像转换成灰度图像可以使计算变得更加高效,并且能够更好的突出表面细节和特征,从而提高识别准确率。这是因为灰度图像不仅可以节省存储空间和计算资源,还能够消除光照、阴影等环境条件的干扰,强化物体本身的纹理、边缘等特征,从而更好地突显表面缺陷和缺陷区域。也就是,对于所述金属化薄膜的外观检测图像来说,灰度化可以消除图像中多余的颜色信息并突出样品表面细节,这有助于更好地进行表面缺陷识别和定位。同时,通过计算灰度图像中像素之间的亮度差异可以检测薄膜表面的不平整性和颜色变化,更容易发现金属化薄膜的缺陷区域。
值得一提的是,图像灰度化是将彩色图像转换为灰度图像的过程,其实现方法有多种。其中可以将RGB图像的每个像素的红、绿、蓝三个分量的值按照一定的权值进行加权平均,得到一个灰度值,作为该像素的灰度值。常用的加权平均公式是:
;
其中,R、G、B分别表示该像素的红、绿、蓝三个分量的值,0.299、0.587、0.114是三个分量的加权系数,可以根据实际需要进行调整。除了加权平均法,还可以使用最大值法、最小值法、平均值法等灰度化方法,本申请并不为此所限。
进一步地,考虑到在进行高频脉冲电容用金属化薄膜外观图像检测的过程中,需要进行图像的特征提取,以便更好地识别并定位外观缺陷。并且,还考虑到由于所述金属化薄膜的表面缺陷可能尺寸很小,也就是说,所述金属化薄膜的外观质量特征在实际检测的过程中可能为小尺度的细微特征信息。因此,为了能够充分捕捉所述金属化薄膜的外观质量特征,以此来提高外观质量检测的精准度,在本申请的技术方案中,进一步对所述灰度化外观检测图像进行图像分块处理以得到外观图像块的序列。
继而,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个外观图像块的特征挖掘,特别地,考虑到在实际对于所述金属化薄膜进行外观质量检测时,应更加关注于其表面的颜色,形状和纹理等浅层特征信息。因此,进一步将所述外观图像块的序列中的各个外观图像块分别通过基于卷积神经网络模型的浅层特征提取器中进行处理,以提取出所述各个外观图像块中关于金属化薄膜的表面质量隐含特征分布信息,以得到多个外观图像块浅层特征图。
然后,还考虑到由于卷积是典型的局部操作,其只能提取图像局部特征,而无法关注全局,这样会影响到对于金属化薄膜的外观质量检测的精度。因此,在本申请的技术方案中,为了更精准地对于金属化薄膜的外观质量进行检测,使用非局部神经网络模型来进一步进行特征提取。也就是,将所述多个外观图像块浅层特征图聚合为全局浅层特征图后通过非局部神经网络模型,以通过所述非局部神经网络模型来扩展特征感受野,从而得到外观状态特征图。特别地,这里,所述非局部神经网络通过计算所述灰度化外观检测图像中各个局部区域特征间的相似度捕获隐藏的依赖信息,进而建模上下文特征,使网络关注所述灰度化外观检测图像中各个局部区域有关于金属化薄膜的外观质量特征间的全局整体内容。也就是说,所述非局部神经网络模型可以更好地利用图像中各像素点之间的相互作用来提取更准确和有意义的特征,这样得到的全局特征可以被用来进行金属化薄膜的外观质量检测任务。
相应地,在一个具体示例中,如图5所示,对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图,包括:S14221,对所述灰度化外观检测图像进行图像分块处理以得到外观图像块的序列;S14222,基于深度神经网络模型的浅层特征提取器对所述外观图像块的序列中的各个外观图像块进行图像特征提取以得到多个外观图像块浅层特征图;以及,S14223,将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图。
相应地,在一个具体示例中,所述深度神经网络模型为卷积神经网络模型。卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,能够自动提取图像中的特征,并且具有平移不变性,即无论图像中的物体在图像中的位置如何变化,都能够准确地识别出该物体。卷积神经网络由多个卷积层、池化层、全连接层等组成。其中,卷积层是卷积神经网络的核心部分,卷积层通过滑动一个卷积核在图像上进行卷积运算,从而提取图像的特征。卷积核的大小、步长、填充方式等超参数可以根据实际需要进行调整。池化层则用于减小特征图的大小,从而降低网络的计算量。全连接层则用于将网络的输出映射到指定的类别上。卷积神经网络模型的训练通常使用反向传播算法。在训练过程中,网络的输出与实际标签之间的误差被用于更新网络的权重和偏置,以使网络的输出更加接近实际标签。通过反复迭代训练,网络的权重和偏置逐渐收敛,最终得到一个能够准确识别图像的模型。
相应地,在一个具体示例中,如图6所示,将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图,包括:S142231,将所述多个外观图像块浅层特征图沿着通道维度进行聚合以得到全局浅层特征图;S142232,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;S142233,以所述加权特征向量对所述全局浅层特征图沿通道的各个特征矩阵进行加权以得到优化全局浅层特征图;以及,S142234,将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图。
特别地,在本申请的技术方案中,将所述外观图像块的序列中的各个外观图像块分别通过基于卷积神经网络模型的浅层特征提取器得到所述多个外观图像块浅层特征图,每个外观图像块浅层特征图的单独的特征矩阵表达外观图像块的图像语义特征,而各个特征矩阵之间符合卷积神经网络模型的通道分布,由此,在将所述多个外观图像块浅层特征图沿通道维度排列以聚合为全局浅层特征图后,期望提升所述多个外观图像块浅层特征图的特征图内的通道分布关联以及特征图间的通道分布关联,以提升所述全局浅层特征图的全局特征分布关联效果,从而提升所述非局部神经网络模型对于全局关联特征的提取效果。基于此,本申请的申请人考虑通过沿通道对所述全局浅层特征图的各个特征矩阵进行加权的方式来提升所述全局浅层特征图的全局特征分布关联效果,其中加权特征向量通过基于场景约束定向偏导的自调谐结构化计算,具体计算过程如下所示。
相应地,在一个具体示例中,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,包括:将所述全局浅层特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后全局浅层特征图;以及,基于所述转换后全局浅层特征图,通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量;其中,所述优化公式为:
相应地,在一个具体示例中,将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图,包括:将所述优化全局浅层特征图输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图;将所述全局相似特征图通过所述非局部神经网络模型的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图;以及,计算所述通道调整全局相似特征图和所述优化全局浅层特征图的按位置加权和以得到所述外观状态特征图。
应可以理解,非局部神经网络(Non-local Neural Network,NLNet)是一种基于注意力机制的神经网络模型,非局部神经网络能够对输入图像中的全局信息进行建模,从而提高图像处理任务的性能。传统的卷积神经网络模型在处理图像时,通常只能利用局部信息来进行特征提取和分类,而忽略了全局信息的作用。而非局部神经网络模型则通过引入非局部块(Non-local Block)来捕捉全局信息。非局部块通过计算图像中所有像素之间的相似度来计算每个像素的注意力权重,然后利用这些权重来计算该像素的特征表示。这种方法能够在不增加太多计算量的情况下,有效地提高网络的性能。非局部神经网络模型的训练通常使用反向传播算法,与传统的卷积神经网络模型类似。但是,由于非局部块引入了额外的计算,因此训练时需要更多的计算资源和时间。此外,非局部块的设计也需要根据不同的任务进行调整,以获得最佳的性能。
更具体地,在步骤S143中,基于所述外观状态特征图,确定被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准,包括:将所述外观状态特征图通过分类器以得到分类结果,所述分类结果用于表示被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准。也就是,在本申请的技术方案中,所述分类器的标签包括被检测高频脉冲电容用金属化薄膜的外观质量符合预定标准(第一标签),以及,被检测高频脉冲电容用金属化薄膜的外观质量不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述外观状态特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于金属化薄膜的外观质量进行检测,以进一步对于外观质量不合格的金属化薄膜进行相应处理,从而确保金属化薄膜的制备质量和效率。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,将所述外观状态特征图通过分类器以得到分类结果,所述分类结果用于表示被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准,包括:将所述外观状态特征图按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的高频脉冲电容用金属化薄膜的制备方法被阐明,其可以提高金属化薄膜的外观质量检测效率和制备精度,提高高频脉冲电容质量和可靠性。
进一步地,本申请提供了一种高频脉冲电容用金属化薄膜,所述高频脉冲电容用金属化薄膜由前述任一所述的高频脉冲电容用金属化薄膜的制备方法制得。
图7为根据本申请实施例的高频脉冲电容用金属化薄膜的制备系统100的框图。如图7所示,根据本申请实施例的高频脉冲电容用金属化薄膜的制备系统100,包括:基膜提供模块110,用于提供基膜,所述基膜为聚丙烯薄膜PP;金属蒸镀和时效处理模块120,用于对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷;分切模块130,用于对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜;以及,外观校验模块140,用于分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。
这里,本领域技术人员可以理解,上述高频脉冲电容用金属化薄膜的制备系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的高频脉冲电容用金属化薄膜的制备方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的高频脉冲电容用金属化薄膜的制备系统100可以实现在各种无线终端中,例如具有高频脉冲电容用金属化薄膜的制备算法的服务器等。在一个示例中,根据本申请实施例的高频脉冲电容用金属化薄膜的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该高频脉冲电容用金属化薄膜的制备系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该高频脉冲电容用金属化薄膜的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该高频脉冲电容用金属化薄膜的制备系统100与该无线终端也可以是分立的设备,并且该高频脉冲电容用金属化薄膜的制备系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的高频脉冲电容用金属化薄膜的制备方法的应用场景图。如图8所示,在该应用场景中,首先,通过摄像头(例如,图8中所示意的C)采集被检测高频脉冲电容用金属化薄膜(例如,图8中所示意的N)的外观检测图像(例如,图8中所示意的D),然后,将所述外观检测图像输入至部署有高频脉冲电容用金属化薄膜的制备算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述高频脉冲电容用金属化薄膜的制备算法对所述外观检测图像进行处理以得到用于表示被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准的分类结果。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种高频脉冲电容用金属化薄膜的制备方法,其特征在于,包括:
提供基膜,所述基膜为聚丙烯薄膜PP;
对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷;
对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜;以及
分别对所述多个高频脉冲电容用金属化薄膜进行外观校验。
2.根据权利要求1所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,分别对所述多个高频脉冲电容用金属化薄膜进行外观校验,包括:
通过摄像头采集被检测高频脉冲电容用金属化薄膜的外观检测图像;
从所述外观检测图像提取外观状态特征图;以及
基于所述外观状态特征图,确定被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准。
3.根据权利要求2所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,从所述外观检测图像提取外观状态特征图,包括:
对所述外观检测图像进行图像灰度化处理以得到灰度化外观检测图像;以及
对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图。
4.根据权利要求3所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图,包括:
对所述灰度化外观检测图像进行图像分块处理以得到外观图像块的序列;
基于深度神经网络模型的浅层特征提取器对所述外观图像块的序列中的各个外观图像块进行图像特征提取以得到多个外观图像块浅层特征图;以及
将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图。
5.根据权利要求4所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
6.根据权利要求5所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图,包括:
将所述多个外观图像块浅层特征图沿着通道维度进行聚合以得到全局浅层特征图;
通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;
以所述加权特征向量对所述全局浅层特征图沿通道的各个特征矩阵进行加权以得到优化全局浅层特征图;以及
将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图。
7.根据权利要求6所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,包括:
将所述全局浅层特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后全局浅层特征图;以及
基于所述转换后全局浅层特征图,通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量;
8.根据权利要求7所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图,包括:
将所述优化全局浅层特征图输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;
计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;
将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;
计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;
将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图;
将所述全局相似特征图通过所述非局部神经网络模型的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图;以及
计算所述通道调整全局相似特征图和所述优化全局浅层特征图的按位置加权和以得到所述外观状态特征图。
9.根据权利要求8所述的高频脉冲电容用金属化薄膜的制备方法,其特征在于,基于所述外观状态特征图,确定被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准,包括:
将所述外观状态特征图通过分类器以得到分类结果,所述分类结果用于表示被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准。
10.一种高频脉冲电容用金属化薄膜,其特征在于,所述高频脉冲电容用金属化薄膜由如权利要求1-9任一所述的高频脉冲电容用金属化薄膜的制备方法制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805326.0A CN116525295B (zh) | 2023-07-03 | 2023-07-03 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805326.0A CN116525295B (zh) | 2023-07-03 | 2023-07-03 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116525295A true CN116525295A (zh) | 2023-08-01 |
CN116525295B CN116525295B (zh) | 2023-09-08 |
Family
ID=87392577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310805326.0A Active CN116525295B (zh) | 2023-07-03 | 2023-07-03 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116525295B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359920A (zh) * | 2014-11-18 | 2015-02-18 | 杭州电子科技大学 | 一种用于薄膜电容外观缺陷检测的图像处理方法 |
US20180374207A1 (en) * | 2017-06-27 | 2018-12-27 | Nec Laboratories America, Inc. | Reconstructor and contrastor for anomaly detection |
CN109978868A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
JP2020106372A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社島津製作所 | 外観評価方法及び外観評価用コンピュータプログラム |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
CN116364416A (zh) * | 2023-05-08 | 2023-06-30 | 浙江南洋华诚科技有限公司 | 一种缓冲电容器用金属化膜及其制备方法 |
-
2023
- 2023-07-03 CN CN202310805326.0A patent/CN116525295B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359920A (zh) * | 2014-11-18 | 2015-02-18 | 杭州电子科技大学 | 一种用于薄膜电容外观缺陷检测的图像处理方法 |
US20180374207A1 (en) * | 2017-06-27 | 2018-12-27 | Nec Laboratories America, Inc. | Reconstructor and contrastor for anomaly detection |
JP2020106372A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社島津製作所 | 外観評価方法及び外観評価用コンピュータプログラム |
CN109978868A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
CN116364416A (zh) * | 2023-05-08 | 2023-06-30 | 浙江南洋华诚科技有限公司 | 一种缓冲电容器用金属化膜及其制备方法 |
Non-Patent Citations (3)
Title |
---|
BAOLING LIU等: ""Intelligent Defect Identification Based on PECT Signals and an Optimized Two-Dimensional Deep Convolutional Network"", 《COMPLEXITY》, vol. 2020, no. 2, pages 1 - 18 * |
NINA TAHERIMAKHSOUSI等: ""Quantifying defects in thin films using machine vision"", 《NPJ COMPUTATIONAL MATERIALS》, pages 1 - 6 * |
黄景涛等: ""基于大数据的胶料表面缺陷视觉识别检测研究"", 《合成材料老化与应用》, vol. 52, no. 3, pages 24 - 27 * |
Also Published As
Publication number | Publication date |
---|---|
CN116525295B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108520114B (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN103927534A (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
US11321633B2 (en) | Method of classifying defects in a specimen semiconductor examination and system thereof | |
CN117355038B (zh) | 用于线路板软板的x型孔加工方法及其系统 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN111652846B (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN114418980A (zh) | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 | |
CN116525295B (zh) | 一种高频脉冲电容用金属化薄膜及其制备方法 | |
CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN115587989A (zh) | 一种工件ct图像缺陷检测分割方法及系统 | |
Lan et al. | PCB defect detection algorithm of improved YOLOv8 | |
Ouyang et al. | ASAFPN: An End-to-End Defect Detector With Adaptive Spatial Attention Method | |
CN117750643B (zh) | 印制电路板的表面加工方法 | |
Lei et al. | A precise convolutional neural network-based classification and pose prediction method for PCB component quality control | |
Chang et al. | Research on PCB solder joint defect detection method based on machine vision |
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 |