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 PDF

Info

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
Application number
CN202310570588.3A
Other languages
English (en)
Inventor
周昌军
林高铭
田尚云
金虎
张志聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN202310570588.3A priority Critical patent/CN116645342A/zh
Publication of CN116645342A publication Critical patent/CN116645342A/zh
Pending legal-status Critical Current

Links

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

一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测 方法
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。
CN202310570588.3A 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 Pending CN116645342A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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