CN116645342A - 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 - Google Patents
一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 Download PDFInfo
- Publication number
- CN116645342A CN116645342A CN202310570588.3A CN202310570588A CN116645342A CN 116645342 A CN116645342 A CN 116645342A CN 202310570588 A CN202310570588 A CN 202310570588A CN 116645342 A CN116645342 A CN 116645342A
- Authority
- CN
- China
- Prior art keywords
- feature map
- convolution
- layer
- image
- dimension
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000003466 welding Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 229910000679 solder Inorganic materials 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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
- G06T2207/30152—Solder
-
- 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)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进的ConvNeXtV2和Faster‑RCNN的焊点缺陷检测方法,包括如下步骤:S1:对输入的PCB图像进行预处理;S2:采用无监督方式训练的ConvNeXtV2模型对步骤S1中的预处理图像进行处理并输出特征图F;S3:通过RPN网络在原图上生成筛选候选框;S4:在原图上生成的筛选候选框映射回步骤S2输出的特征图F并通过RoIAlign获取缩小的特征图F’;S5:将缩小的特征图F’展平放入全连接层预测;S6:最后通过分类器和回归器分别输出每个焊点对应的类别和边界框;本发明减轻了人工标注数据的负担,提高检测速度和准确度,具有更强的通用性和适用性,可以应用于不同类型的目标检测任务,扩展性好且鲁棒性更高,具有广泛的应用前景。
Description
技术领域
本发明属于焊点缺陷检测技术领域,特别是涉及一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法。
背景技术
焊点检测技术是现代制造业中重要的一部分,其目的是确保焊接连接可靠,减少焊点质量问题对产品质量和安全性的影响。为了保证焊点的质量,需要采用一系列的检测方法,传统的检测方法有目视检测、X射线检测、超声波检测等,这些方法检测速度较慢且专业的检测人员和环境进行检测,不仅需要耗费大量的人力物力,而且容易出现漏检和误检情况。目前针对焊点检测的深度学习方法通常都基于有监督学习,需要大量的标注数据用于训练,标注过程十分耗费人力且标注周期较长,标注的数据集质量层次不齐,模型训练的效果欠佳。
公开号CN115482452A公开了一种深度卷积神经网络的PCB焊点识别方法,包括以下步骤:对输入图像进行基于亮度均衡的阈值分割操作;将分割出的图像基于形态学操作进行逐个焊点截取;对切分的焊点图像进行数据增强,并归一化;将数据增强的数据输入到多路卷积和池化操作,提取多尺度卷积特征;然后将多尺度特征经过GAP降维,最后通过分类器输出焊点对应类别;在原图中显示每个焊点对应类别,以及公开号CN109615609A公开了一种基于深度学习的焊点瑕疵检测方法,包括以下步骤:对原始图像数据进行灰度化处理;对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;对预处理后的图像进行分割处理,将焊点和背景进行区分;将上述步骤分割处理后的图像进行形态学处理,将相连的焊点进一步分割;对形态学处理后的图像进行最终分割,将相连的焊点处理完全,得到所有的焊点目标;对所有的焊点目标进行瑕疵识别,完成焊点的瑕疵检测,上述两种技术方案均采用有监督学习方式训练模型,需要大量的标注数据。
发明内容
本发明的目的在于提供一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法,本发明基于ConvNeXt V2和Faster-RCNN,通过FullyConvolutional MaskedAutoEncoder(FCMAE)框架进行无监督学习更好地抽取数据特征,微调模型后对PCB图像的焊点进行定位和分类,节省了大量标注时间和资源,提高了焊点检测的准度和速度,以解决上述背景技术中提出的问题。
为解决此技术问题,本发明的技术方案是:
一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法,包括如下步骤:
S1:对输入的PCB图像进行预处理;
S2:采用无监督方式训练的ConvNeXt V2模型对步骤S1中的预处理图像进行处理并输出特征图F;
S3:通过RPN网络在原图上生成筛选候选框;
S4:在原图上生成的筛选候选框映射回步骤S2输出的特征图F并通过RoIAlign获取缩小的特征图F’;
S5:将缩小的特征图F’展平放入全连接层预测;
S6:最后通过分类器和回归器分别输出每个焊点对应的类别和边界框。
优选的,步骤S1具体包括如下子步骤:
S11:输入分辨率大小为n1×n2的PCB图像;
S12:对PCB图像进行减均值,除方差,归一化处理;
S13:将处理后的PCB图像缩小成分辨率大小为n3×n4的图像。
优选的,步骤S2具体包括如下子步骤:
S21:将输入PCB图像经过一次卷积以及一个Layer Normalization层提取特征,得到特征图F1;
S22:将特征图F1通过3个block1进行特征提取,并在每个block1通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F1进行升维,再通过GELU、GRN和一次卷积将特征图F1降维得到F1’,最后通过残差连接将特征图F1和降维后的特征图F1’进行相加得到特征图F1”,并输出到下一层;
S23:将特征图F1”通过一个LN层和一次卷积进行下采样并升维,获得特征图F2;
S24:将特征图F2通过3个block2进行特征提取,并在每个block2通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F2进行升维,再通过GELU、GRN和一次卷积将特征图F2降维得到F2’,最后通过残差连接将特征图F2和降维后的特征图F2’进行相加得到特征图F2”,并输出到下一层;
S25:将特征图F2”通过一个LN层和一次卷积进行下采样并升维,获得特征图F3;
S26:将特征图F3通过3个block3进行特征提取,并在每个block3通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F3进行升维,再通过GELU、GRN和一次卷积将特征图F3降维得到F3’,最后通过残差连接将特征图F3和降维后的特征图F3’进行相加得到特征图F4”,并输出到下一层;
S27:将特征图F3”通过一个LN层和一次卷积进行下采样并升维,获得特征图F4;
S28:将特征图F4通过3个block3进行特征提取,并在每个block3通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F4进行升维,再通过GELU、GRN和一次卷积将特征图F4降维得到F4’,最后通过残差连接将特征图F4和降维后的特征图F4’进行相加得到特征图F4”,并输出到下一层;
S29:将特征图F4”通过一个LN层和一次卷积进行下采样并升维,获得特征图F。
优选的,步骤S3具体包括如下子步骤:
S31:通过一个卷积在特征图F上滑动,滑动同时在原PCB图像上预测得到多个初始候选框;且每个滑动窗口的输出特征被降维成一维向量;
S32:将步骤S31中的一维向量输入两个并联的FCN层:box-classfication layer和box-regression layer;其中,box-classfication layer锚框进行二分类输出正样本和负样本的概率,box-regression layer计算对于锚点的边界框回归偏移量,获取精确候选框;
S33:用Proposal层综合正样本和对应边界框回归偏移量,得到处理候选框;
S34:忽略跨边界的候选框,基于候选框分类得分并采用非极大值抑制,得到最终的筛选候选框。
优选的,步骤S4具体包括如下子步骤:
S41:将特征图F分割为8*8的图像小块,划分成几个同等大小的区域;
S42:设置采样点数为4,对每个区域平分四份,取中心点位置,继而一个bin得到四个值,每个bin分别取最大值作为其值,得到缩小的8*8大小的特征图。
优选的,步骤S5具体为:获取缩小的特征图并将其展开成一维的向量输入全连接层。
上述技术方案,本发明的有益效果是:
本发明引入了无监督学习的目标检测模型,减轻了人工标注数据的负担,提高检测速度和准确度;基于无监督学习,具有更强的通用性和适用性,可以应用于不同类型的目标检测任务,扩展性好;另外,本申请在一定程度上克服传统方法中的光照、姿态等因素的影响,具有更高的鲁棒性和稳定性。
附图说明
图1是本发明算法流程图;
图2是本发明模型结构图;
图3是本发明使用焊点检测数据集的PCB图像。
具体实施方式
如图1-3所示,为了进一步解释本发明的技术方案,下面通过具体实施例来对本发明进行详细阐述。
实施例1
一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法,包括如下步骤:
S1:对输入的PCB图像进行预处理;具体包括如下子步骤:S11:输入分辨率大小为3034×1586的PCB图像;S12:对PCB图像进行减均值,除方差,归一化处理;S13:将处理后的PCB图像缩小成分辨率大小为2528×1321的图像。
S2:采用无监督方式训练的ConvNeXt V2模型对步骤S1中的预处理图像进行处理并输出特征图F;具体包括如下子步骤:
S21:将输入PCB图像经过经过一层4×4,步长为4的卷积以及一个LayerNormalization层提取特征,得到特征图F1;
其中,Layer Normalization层计算过程采用公式(1):
S22:将特征图F1通过3个block1进行特征提取,并在每个block1内用卷积核大小为7×7,padding为3,维度为128的深度可分离卷积进行特征提取,接着经过一个LN层和1×1卷积将特征图F1进行升维到512,再通过GELU、GRN和1×1卷积将特征图F1降维到128得到F1’,最后通过残差连接将特征图F1和降维后的特征图F1’进行相加得到特征图F1”,并输出到下一层;
其中GRN层计算过程如下:
首先根据公式(2)将输入GRN层的特征图X通过L2正则化转换为向量gx,其中是第i个通道经过汇聚得到的标量:
接着根据公式(3)通过从gx计算得到每个通道的相对重要性(权重):
最后根据公式(4)通过将特征图X的每个通道Xi乘上其对应权重进行校准并输出:
S23:将特征图F1”通过一个LN层和2×2,步长为2的卷积进行下采样并升维到256,获得特征图F2;
S24:将特征图F2通过3个block2进行特征提取,并在每个block2内先用卷积核大小为7×7,padding为3维度为256的深度可分离卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F2进行升维到1024,再通过GELU、GRN和1×1卷积将特征图F2降维到256得到F2’,最后通过残差连接将特征图F2和降维后的特征图F2’进行相加得到特征图F2”,并输出到下一层;
S25:将特征图F2”通过一个LN层和2×2,步长为2的卷积进行下采样并升维到512,获得特征图F3;
S26:将特征图F3通过3个block3进行特征提取,并在每个block3内先用卷积核大小为7×7,padding为3维度为512的深度可分离卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F3进行升维到2048,再通过GELU、GRN和1×1卷积将特征图F3降维到512得到F3’,最后通过残差连接将特征图F3和降维后的特征图F3’进行相加得到特征图F4”,并输出到下一层;
S27:将特征图F3”通过一个LN层和2×2,步长为2的卷积进行下采样并升维到1024,获得特征图F4;
S28:将特征图F4通过3个block3进行特征提取,并在每个block3内先用卷积核大小为7×7,padding为3维度为1024的深度可分离卷积进行特征提取,接着经过一个LN层和1×1卷积将特征图F4进行升维到4096,再通过GELU、GRN和一次卷积将特征图F4降维到1024得到F4’,最后通过残差连接将特征图F4和降维后的特征图F4’进行相加得到特征图F4”,并输出到下一层;S29:将特征图F4”通过一个LN层和一次卷积进行下采样并升维,获得特征图F。
S3:通过RPN网络在原图上生成筛选候选框;具体包括如下子步骤:
S31:通过一个卷积核大小为3×3,步长为1,padding为1的卷积在特征图F上滑动,滑动同时在原PCB图像上预测得到多个初始候选框,每个滑动的位置最多生成9个锚框,锚框三种比例分别为{1:1,1:2,2:1},锚框三种面积分别为{64×64,128×128,256×256};且每个滑动窗口的输出特征被降维成一维向量,维度为1024;
S32:将步骤S31中的一维向量输入两个并联的FCN层:box-classfication layer和box-regression layer;卷积核大小分别为1×1×18和1×1×36,其中,box-classfication layer锚框进行二分类输出正样本和负样本的概率,box-regressionlayer计算对于锚点的边界框回归偏移量,获取精确候选框;
S33:用Proposal层综合正样本和对应边界框回归偏移量,得到处理候选框;
S34:忽略跨边界的候选框,基于候选框分类得分并采用非极大值抑制,IoU为0.7,得到最终的筛选候选框。
其中非极大抑制算法流程如下:对候选框的得分进行排序,选取最高分,遍历其他候选框,和最高分框的交并比大于阈值就删除;从没处理的框中选取最高分,重复上述操作,直到没有候选框可删;输出筛选后留下的候选框。
S4:在原图上生成的筛选候选框映射回步骤S2输出的特征图F并通过RoIAlign获取缩小的特征图F’;具体包括如下子步骤:
S41:将特征图F分割为8*8的图像小块(RoIAlign输出大小),划分成几个同等大小的区域;
S42:设置采样点数为4,对每个区域平分四份,取中心点位置,继而一个bin得到四个值,每个bin分别取最大值作为其值,得到缩小的8*8大小的特征图。
S5:将缩小的特征图F’展开成一维的向量输入全连接层;
S6:通过全连接层和Softmax对焊点候选框进行分类(如漏孔、鼠咬、开路等);
S7:通过回归器再次对焊点候选框进行边界框回归,获取更高精度的边界框。该步骤采用现有计算方法,在此不再赘述。
本发明减轻了人工标注数据的负担,提高检测速度和准确度,具有更强的通用性和适用性,可以应用于不同类型的目标检测任务,扩展性好且鲁棒性更高,具有广泛的应用前景。
Claims (6)
1.一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:包括如下步骤:
S1:对输入的PCB图像进行预处理;
S2:采用无监督方式训练的ConvNeXtV2模型对步骤S1中的预处理图像进行处理并输出特征图F;
S3:通过RPN网络在原图上生成筛选候选框;
S4:在原图上生成的筛选候选框映射回步骤S2输出的特征图F并通过RoIAlign获取缩小的特征图F’;
S5:将缩小的特征图F’展平放入全连接层预测;
S6:最后通过分类器和回归器分别输出每个焊点对应的类别和边界框。
2.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:步骤S1具体包括如下子步骤:
S11:输入分辨率大小为n1×n2的PCB图像;
S12:对PCB图像进行减均值,除方差,归一化处理;
S13:将处理后的PCB图像缩小成分辨率大小为n3×n4的图像。
3.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:步骤S2具体包括如下子步骤:
S21:将输入PCB图像经过一次卷积以及一个LayerNormalization层提取特征,得到特征图F1;
S22:将特征图F1通过3个block1进行特征提取,并在每个block1通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F1进行升维,再通过GELU、GRN和一次卷积将特征图F1降维得到F1’,最后通过残差连接将特征图F1和降维后的特征图F1’进行相加得到特征图F1”,并输出到下一层;
S23:将特征图F1”通过一个LN层和一次卷积进行下采样并升维,获得特征图F2;
S24:将特征图F2通过3个block2进行特征提取,并在每个block2通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F2进行升维,再通过GELU、GRN和一次卷积将特征图F2降维得到F2’,最后通过残差连接将特征图F2和降维后的特征图F2’进行相加得到特征图F2”,并输出到下一层;
S25:将特征图F2”通过一个LN层和一次卷积进行下采样并升维,获得特征图F3;
S26:将特征图F3通过3个block3进行特征提取,并在每个block3通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F3进行升维,再通过GELU、GRN和一次卷积将特征图F3降维得到F3’,最后通过残差连接将特征图F3和降维后的特征图F3’进行相加得到特征图F4”,并输出到下一层;
S27:将特征图F3”通过一个LN层和一次卷积进行下采样并升维,获得特征图F4;
S28:将特征图F4通过3个block3进行特征提取,并在每个block3通过一次卷积进行特征提取,接着经过一个LN层和一次卷积将特征图F4进行升维,再通过GELU、GRN和一次卷积将特征图F4降维得到F4’,最后通过残差连接将特征图F4和降维后的特征图F4’进行相加得到特征图F4”,并输出到下一层;
S29:将特征图F4”通过一个LN层和一次卷积进行下采样并升维,获得特征图F。
4.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:步骤S3具体包括如下子步骤:
S31:通过一个卷积在特征图F上滑动,滑动同时在原PCB图像上预测得到多个初始候选框;且每个滑动窗口的输出特征被降维成一维向量;
S32:将步骤S31中的一维向量输入两个并联的FCN层:box-classfication layer和box-regressionlayer;其中,box-classficationlayer锚框进行二分类输出正样本和负样本的概率,box-regressionlayer计算对于锚点的边界框回归偏移量,获取精确候选框;
S33:用Proposal层综合正样本和对应边界框回归偏移量,得到处理候选框;
S34:忽略跨边界的候选框,基于候选框分类得分并采用非极大值抑制,得到最终的筛选候选框。
5.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:步骤S4具体包括如下子步骤:
S41:将特征图F分割为8*8的图像小块,划分成几个同等大小的区域;
S42:设置采样点数为4,对每个区域平分四份,取中心点位置,继而一个bin得到四个值,每个bin分别取最大值作为其值,得到缩小的8*8大小的特征图。
6.根据权利要求1所述的一种基于改进的ConvNeXtV2和Faster-RCNN的焊点缺陷检测方法,其特征在于:步骤S5具体为:获取缩小的特征图并将其展开成一维的向量输入全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570588.3A CN116645342A (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570588.3A CN116645342A (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645342A true CN116645342A (zh) | 2023-08-25 |
Family
ID=87614715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310570588.3A Pending CN116645342A (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645342A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218121A (zh) * | 2023-11-08 | 2023-12-12 | 北京航空航天大学江西研究院 | 一种铸件dr图像缺陷识别方法 |
-
2023
- 2023-05-16 CN CN202310570588.3A patent/CN116645342A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218121A (zh) * | 2023-11-08 | 2023-12-12 | 北京航空航天大学江西研究院 | 一种铸件dr图像缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN109242032B (zh) | 一种基于深度学习的目标检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 | |
CN116645342A (zh) | 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN111488920A (zh) | 一种基于深度学习目标检测与识别的袋口位置检测方法 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
Chen et al. | Specular Removal of Industrial Metal Objects Without Changing Lighting Configuration | |
Wang et al. | Welding seam detection and location: Deep learning network-based approach | |
CN116704208B (zh) | 基于特征关系的局部可解释方法 | |
CN111738237B (zh) | 一种基于异构卷积的多核迭代rpn的目标检测方法 | |
Guo et al. | Small aerial target detection using trajectory hypothesis and verification | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
Sulaiman et al. | Automatic grading system for oil palm fruit ripeness | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
Wu et al. | Semiautomatic mask generating for electronics component inspection | |
Chen et al. | Real-time instance segmentation of metal screw defects based on deep learning approach |
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 |