CN118096774B - 结合深度特征的传感器封装过程缺陷检测装置及方法 - Google Patents
结合深度特征的传感器封装过程缺陷检测装置及方法 Download PDFInfo
- Publication number
- CN118096774B CN118096774B CN202410529834.5A CN202410529834A CN118096774B CN 118096774 B CN118096774 B CN 118096774B CN 202410529834 A CN202410529834 A CN 202410529834A CN 118096774 B CN118096774 B CN 118096774B
- Authority
- CN
- China
- Prior art keywords
- sensor
- sample
- normal
- packaging process
- feature
- 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 213
- 238000012858 packaging process Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 138
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 274
- 239000011159 matrix material Substances 0.000 claims abstract description 153
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 238000004806 packaging method and process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 78
- 238000005538 encapsulation Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011068 loading method Methods 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 9
- 238000007621 cluster analysis Methods 0.000 description 8
- 230000008676 import Effects 0.000 description 8
- 238000003491 array Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005452 bending Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Abstract
本发明涉及缺陷检测领域,公开了一种结合深度特征的传感器封装过程缺陷检测装置及方法,通过深度学习自动提取特征、聚类分析和相似度计算等步骤,实现高效、准确的传感器封装过程质量自动检测。所述结合深度特征的传感器封装过程缺陷检测方法利用深度特征检测传感器封装缺陷。通过VAE模型提取正常与缺陷图像的潜在特征,计算相似度并构建矩阵。然后对规范化图拉普拉斯矩阵特征分解,选取关键特征向量与待检测样本组合聚类。通过比较待检测与正常样本的聚类中心距离,判断缺陷。该方法高效、准确,适用于工业质量控制,可快速识别传感器封装过程中的问题。
Description
技术领域
本发明涉及缺陷检测领域,尤其涉及一种结合深度特征的传感器封装过程缺陷检测装置及方法。
背景技术
随着工业自动化和智能制造的快速发展,传感器在各种设备和系统中的应用变得日益广泛。传感器的质量和性能直接影响到整个系统的稳定性和可靠性。因此,在传感器生产过程中,封装环节的质量控制显得尤为重要。封装过程中的任何缺陷都可能导致传感器性能下降或失效,进而影响整个系统的运行。
传统的传感器封装过程质量检测主要依赖于人工目检或简单的自动化检测装置,但这些方法往往存在效率低下、误检率高等问题。随着机器视觉和深度学习技术的发展,基于图像处理的自动缺陷检测方法逐渐成为主流。这些方法通过提取图像中的特征,利用机器学习算法对特征进行分类和识别,从而实现对传感器封装过程的质量控制。
尽管现有的自动缺陷检测方法已经取得了一定的成果,但仍存在一些不足之处:
特征提取的局限性:传统的图像处理方法主要依赖于手动设计的特征提取器,这些特征提取器往往只能针对特定的缺陷类型进行设计,难以适应多样化的缺陷类型和复杂的背景噪声。
泛化能力不足:现有的自动缺陷检测方法在面对新型缺陷或生产工艺变化时,往往需要重新训练模型或调整参数,这限制了方法的泛化能力和实用性。
计算效率和准确性的权衡:一些现有的自动缺陷检测方法为了提高准确性而牺牲了计算效率,导致在实际生产环境中难以应用。反之,一些追求计算效率的方法则可能牺牲了准确性。
本研究提出的结合深度特征的传感器封装过程缺陷检测方法旨在解决上述问题,通过深度学习自动提取特征、聚类分析和相似度计算等步骤,实现高效、准确的传感器封装过程质量自动检测。
发明内容
本发明提供了一种结合深度特征的传感器封装过程缺陷检测装置及方法,通过深度学习自动提取特征、聚类分析和相似度计算等步骤,实现高效、准确的传感器封装过程质量自动检测。
本发明第一方面提供了一种结合深度特征的传感器封装过程缺陷检测方法,所述结合深度特征的传感器封装过程缺陷检测方法包括:获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵;依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本。
可选的,在本发明第一方面的第一种实现方式中,所述获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像,包括:对所述待检测传感器样本及训练传感器样本进行预处理;依据所述待检测传感器样本及训练传感器样本使用图像质量评估算法,基于清晰度、对比度和噪声水平的评估,剔除低质量图像;应用深度学习模型来识别并去除图像中的不相关物体或背景,确保传感器封装图像的主题突出;对于所述训练传感器样本,对图像进行分类,包括正常封装、各种缺陷类型,为每一类数据创建索引和标签,便于后续快速检索和使用,采用半自动标注工具,利用预训练的模型辅助人工进行快速而准确的标注,对于已知缺陷类型,预先定义标注模板,加速标注过程;依据所述待检测传感器样本及所述训练传感器样本引入基于生成对抗网络的数据增强技术,生成更多样化的缺陷样本,利用风格迁移技术,将不同风格的背景或噪声添加到图像中,增强模型的泛化能力;在样本数据的预处理结束后,进行一轮数据验证,确保所有图像的标注准确无误,利用交叉验证方法评估预处理后数据的质量,将预处理后的完整数据集划分为K个子集,进行K次迭代,每次迭代选择一个子集作为测试集,其余K-1个子集合并作为训练集,在每次迭代中,使用训练集训练一个缺陷检测模型,并在测试集上评估模型的性能,记录每次迭代的评估结果,并计算K次迭代的平均性能指标,分析交叉验证的结果,如果平均性能指标中的准确率大于G和/或平均F1分数超过P,且各次迭代之间的迭代性能指标的标准差小于性能指标的5%,则完成预处理后的数据质量交叉验证工作;将预处理后的数据按照深度学习模型的输入格式进行组织和存储,输出数据包括清洗后、标注好且经过数据增强的待检测传感器样本和训练传感器样本。
可选的,在本发明第一方面的第二种实现方式中,所述依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量,包括:对预设的VAE模型结构进行训练,调用预设的处理传感器封装图像的VAE模型结构,所述VAE模型结构包括编码器、解码器和潜在空间,依据所述正常封装过程图像结合VAE模型结构进行学习,VAE模型结构学习到正常封装过程图像过程的潜在特征,而后依据VAE模型结构进行优化变分下界,得到训练好的VAE模型结构;定义VAE模型结构,包括编码器、解码器和潜在空间;编码器将输入图像编码为一个潜在表示,编码器包括输入层:接受预处理后的图像数据,图像大小为HxWxC;卷积层:使用多个卷积层提取图像特征,每层使用ReLU激活函数增加非线性;池化层:在卷积层之后加入最大池化或平均池化层,以减少特征图的维度;全连接层:将最后一个池化层的输出展平,并通过一个或多个全连接层映射到潜在空间的维度;输出层:编码器输出两个参数,即潜在空间表示的均值μ和标准差的对数logσ,这两个参数用于采样潜在表示;潜在空间为编码器输出的潜在表示所在的空间,使用编码器输出的均值和标准差对数,通过重参数化技巧采样潜在表示z;
z = μ + exp(0.5 * logσ) * ε;
其中ε是从标准正态分布中采样的随机噪声;解码器将潜在空间的表示解码回图像空间,通过反卷积层或上采样层实现;依据所述正常封装过程图像作为训练数据加载为Tensor,并划分为训练集和验证集,定义损失函数,包括重构损失和KL散度,使用优化算法来最小化损失函数,从而训练VAE模型;在每个epoch中,遍历训练集,计算损失函数,并反向传播更新模型参数,监控验证集上的性能,如果连续几个epoch没有提升,则停止训练,得到训练好的VAE模型结构;将预处理后的所述正常封装过程图像和所述已知缺陷封装过程图像作为输入,传递给VAE模型结构的编码器部分,通过编码器网络进行前向传播,得到每个图像的潜在特征向量,将提取到的潜在特征向量保存到数据结构中,得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量。
可选的,在本发明第一方面的第三种实现方式中,所述依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵,包括:依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量计算余弦相似度,提取正常封装过程图像的潜在特征向量集合,记作N,其中每个元素\vec{n}_i代表一个正常封装的特征向量;提取已知缺陷封装过程图像的潜在特征向量集合,记作D,其中每个元素\vec{d}_j代表一个缺陷封装的特征向量;通过两层循环来计算余弦相似度,外层循环遍历正常封装过程图像的潜在特征向量集合N,内层循环遍历已知缺陷封装过程图像的潜在特征向量集合D,则:
\text{cosine_similarity}(\vec{n}_i,\vec{d}_j)=\frac{\vec{n}_i\cdot\vec{d}_j}{|\vec{n}_i|\times|\vec{d}_j|};
其中,(\vec{n}_i)是正常封装过程的第(i)个潜在特征向量;(\vec{d}_j)是缺陷封装过程的第(j)个潜在特征向量;(\vec{n}_i\cdot\vec{d}_j)表示两个向量的点积;(|\vec{n}_i|)和(|\vec{d}_j|)分别是两个向量的模;将所有计算得到的余弦相似度值存储在一个矩阵中,矩阵的行代表正常封装过程图像的潜在特征向量,列代表已知缺陷封装过程图像的潜在特征向量,每个元素表示对应的两个特征向量之间的余弦相似度,构建得到相似度矩阵。
可选的,在本发明第一方面的第四种实现方式中,所述依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量,包括:
设定规范化拉普拉斯矩阵为L_{norm},则:
L_{norm} = D^{-1/2}LD^{-1/2};
其中,(L = D - S),L为未规范化的拉普拉斯矩阵,S是相似度矩阵,D是度矩阵,对角线上是S的行和或列和,其他元素为0;对规范化图拉普拉斯矩阵L进行特征分解,得到特征值和特征向量,选择最小的k个特征值对应的特征向量,这些特征向量表示数据的主要变化方向;当新的数据到来时,采用增量式特征分解算法来更新特征值和特征向量,无需重新对整个数据集进行特征分解。
可选的,在本发明第一方面的第五种实现方式中,所述依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心,包括:依据所述待检测传感器样本得到待检测的传感器样本的深度特征向量;将待检测的传感器样本的深度特征向量与通过图拉普拉斯矩阵分解得到的所述最小的几个特征值对应的特征向量进行组合,构建一个矩阵,其中每一行代表一个待检测的传感器样本,每一列代表一个特征向量,对于第i个传感器样本,将其深度特征向量与k个最小的特征值对应的特征向量拼接起来,形成矩阵的第i行;使用聚类算法K-means对上述构建的矩阵进行聚类,聚类的目标是将相似的传感器样本分组在一起,设定聚类的数量s,运行聚类算法,得到每个传感器样本所属的聚类标签;对于每个聚类,计算其内部所有样本的平均值,得到该聚类的中心点,这个中心点代表了该聚类中传感器样本的典型特征,聚类中心通过对属于同一聚类的所有样本的特征向量进行平均计算得到;输出每个待检测传感器样本所属的聚类标签,输出每个聚类的中心点。
可选的,在本发明第一方面的第六种实现方式中,所述依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本,包括:使用聚类算法K-means对正常封装过程图像的特征向量进行聚类,并计算每个聚类的中心,这些聚类中心代表了正常封装过程的典型特征;设定一个阈值K,如果所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离大于K,则该样本被视为缺陷样本。
本发明第二方面提供了一种结合深度特征的传感器封装过程缺陷检测装置,所述结合深度特征的传感器封装过程缺陷检测装置包括:获取模块,用于获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;提取模块,用于依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;矩阵模块,用于依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵;分解模块,用于依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;设置模块,用于依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;处理模块,用于依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本。
本发明第三方面提供了一种结合深度特征的传感器封装过程缺陷检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述结合深度特征的传感器封装过程缺陷检测设备执行上述的结合深度特征的传感器封装过程缺陷检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的结合深度特征的传感器封装过程缺陷检测方法。
本发明提供的技术方案中,提出了一种结合深度特征的传感器封装过程缺陷检测方法。首先,该方法通过获取传感器封装图像数据,包括待检测传感器样本和训练传感器样本(包含正常封装及已知缺陷封装过程图像)。接着,利用预设的变分自编码器(VAE)模型结构提取这些图像的潜在特征向量。通过计算正常封装与已知缺陷封装图像特征向量之间的余弦相似度,构建了一个相似度矩阵。然后,基于该相似度矩阵,构建了规范化图拉普拉斯矩阵,并对其进行特征分解,选取最小的几个特征值对应的特征向量。这些特征向量与待检测传感器样本的特征组合后,进行聚类分析,找到每个待检测样本的聚类中心。最后,通过比较待检测样本的聚类中心与正常样本聚类中心的距离,判断待检测样本是否存在缺陷。
有益效果好处:
高效性:该方法通过深度学习技术自动提取图像特征,避免了传统方法中需要大量手工设计和调整特征的繁琐过程,提高了检测效率;
准确性:利用VAE模型提取潜在特征,能够捕捉到图像中的深层次信息,结合图拉普拉斯矩阵的特征分解和聚类分析,可以更准确地区分正常封装和缺陷封装;
鲁棒性:通过计算特征向量之间的相似度和聚类分析,该方法对图像中的噪声和轻微变形具有一定的鲁棒性,能够在复杂环境中稳定工作;
可扩展性:该技术可以方便地扩展到其他类型的传感器封装缺陷检测中,只需对模型进行适当的训练和调整即可;
自适应性:通过设定阈值K,该方法可以灵活地调整对缺陷的敏感度,满足不同应用场景的需求;
综上所述,该技术提供了一种高效、准确、鲁棒且可扩展的传感器封装过程缺陷检测方法,对于提升传感器生产质量和效率具有重要意义。
附图说明
图1为本发明实施例中结合深度特征的传感器封装过程缺陷检测方法的一个实施例示意图;
图2为本发明实施例中结合深度特征的传感器封装过程缺陷检测方法的另一个实施例示意图;
图3为本发明实施例中结合深度特征的传感器封装过程缺陷检测装置的一个实施例示意图;
图4为本发明实施例中结合深度特征的传感器封装过程缺陷检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种结合深度特征的传感器封装过程缺陷检测装置及方法,通过深度学习自动提取特征、聚类分析和相似度计算等步骤,实现高效、准确的传感器封装过程质量自动检测。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中结合深度特征的传感器封装过程缺陷检测方法的一个实施例包括:
101、获取传感器封装图像数据,传感器封装图像数据包括待检测传感器样本及训练传感器样本,训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;
可以理解的是,本发明的执行主体可以为结合深度特征的传感器封装过程缺陷检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,选择并安装高分辨率、高感光性能的工业相机,确保能够捕捉到封装过程中的细微变化;设置稳定的光源,确保图像采集时光照条件一致,减少因光照变化引起的图像差异;将相机安装在传感器封装生产线的合适位置,以便捕捉到封装过程中的各个关键阶段;
正常封装过程图像采集:在传感器正常封装时,通过工业相机连续捕捉图像;确保图像中清晰展示了封装的所有关键步骤,如引脚对齐、焊接、封装等;对这些图像进行标注,作为正常封装的参考图像。
已知缺陷封装过程图像采集:故意在封装过程中引入一些常见的缺陷,如引脚不对齐、焊接不牢等;在缺陷发生时,通过相机捕捉缺陷图像;对这些图像进行详细标注,指出缺陷的类型、位置和严重程度;
采集待检测传感器样本图像,在生产线正常运行时,对待检测的传感器样本进行图像采集;确保图像质量与训练样本一致,以便后续使用相同的深度学习模型进行检测;
对所有采集到的图像进行裁剪、缩放等处理,以确保图像尺寸一致;进行图像增强操作,如对比度提升、去噪等,以提高图像质量;将图像数据转换为深度学习模型可以接受的格式,如JPEG、PNG等;
将正常封装和已知缺陷封装的图像分别整理到不同的文件夹中;对图像进行编号和标注,以便在训练过程中进行引用。
102、依据正常封装过程图像和已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;
需要说明的是,假设我们有一个包含1000张正常封装过程图像和500张已知缺陷封装过程图像的数据集,我们将这些数据分为训练集(80%)和测试集(20%);正常封装图像:800张用于训练,200张用于测试;已知缺陷封装图像:400张用于训练,100张用于测试;
VAE模型构建:编码器(Encoder):卷积层 ->ReLU激活 -> 池化层 -> 全连接层 -> 采样层(生成潜在特征向量);解码器(Decoder):全连接层 ->ReLU激活 -> 反卷积层 ->Sigmoid激活(重构图像);
将训练集中的800张正常封装图像通过已经训练好的VAE编码器,得到对应的800个潜在特征向量,记作normal_features;同样地,将测试集中的200张正常封装图像通过编码器,得到200个潜在特征向量,用于后续评估或检测;已知缺陷封装过程图像的潜在特征向量提取:将训练集中的400张已知缺陷封装图像通过VAE编码器,得到对应的400个潜在特征向量,记作defect_features;将测试集中的100张已知缺陷封装图像通过编码器,得到100个潜在特征向量;
103、依据正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据特征向量之间的相似度构建一个相似度矩阵;
需要说明的是,假设我们有800个正常封装过程图像的潜在特征向量(从训练集中提取),每个特征向量维度为100,同时,我们有400个已知缺陷封装过程图像的潜在特征向量(同样从训练集中提取),每个特征向量的维度也是100;
计算余弦相似度:初始化相似度矩阵:创建一个大小为 (800+400) x (800+400)的零矩阵,即1200x1200的矩阵,用于存储所有特征向量之间的相似度;计算正常封装特征向量之间的相似度:对于800个正常封装特征向量中的每一对,使用余弦相似度公式计算它们之间的相似度,并将结果填充到相似度矩阵的对应位置;计算缺陷封装特征向量之间的相似度:对于400个缺陷封装特征向量中的每一对,同样使用余弦相似度公式计算相似度,并更新相似度矩阵;计算正常封装与缺陷封装特征向量之间的相似度:对于800个正常封装特征向量和400个缺陷封装特征向量之间的每一对组合,计算余弦相似度,并将这些值填充到相似度矩阵的对应位置;
在这个实施例中,similarity_matrix 现在包含了所有特征向量之间的余弦相似度。矩阵的对角线部分和左上角800x800子矩阵表示正常封装特征向量之间的相似度,右下角400x400子矩阵表示缺陷封装特征向量之间的相似度,而左下角和右上角的子矩阵则表示正常封装与缺陷封装特征向量之间的相似度。
这个相似度矩阵可以用于后续的缺陷检测任务,例如通过设定阈值来判断新的封装过程图像是否与已知的缺陷封装图像相似,从而识别出潜在的缺陷。
104、依据相似度矩阵构建规范化图拉普拉斯矩阵,依据规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;
需要说明的是,给定相似度矩阵 (S),我们首先将其转换为邻接矩阵 (A),在图论中,邻接矩阵表示图中节点之间的连接关系。对于无向图,邻接矩阵是对称的。在本例中,我们可以直接将相似度矩阵视为邻接矩阵,因为它已经表示了不同节点(即特征向量)之间的相似度;接下来,我们计算度矩阵 (D),它是一个对角矩阵,其中每个对角元素表示对应节点的度(即与该节点直接相连的边的权重之和)。对于加权图,节点的度是其所有相邻边的权重之和。在本例中,度矩阵的对角元素可以通过对相似度矩阵的每一行求和得到;规范化图拉普拉斯矩阵 (L) 定义为:(L = D^{-1/2}AD^{-1/2}),其中 (D^{-1/2}) 是度矩阵的逆矩阵的平方根;
对规范化图拉普拉斯矩阵 (L) 进行特征分解,即求解 (L) 的特征值和特征向量。这可以通过调用数值线性代数库(如NumPy、SciPy等)中的特征分解函数来完成;特征分解后,我们将得到一组特征值和对应的特征向量。为了进行后续的降维或聚类分析,我们通常选择最小的几个特征值对应的特征向量,因为这些特征向量往往包含了图的主要结构信息。
在这个实施例中,包含了规范化图拉普拉斯矩阵最小的5个特征值对应的特征向量。这些特征向量可以用于后续的降维、聚类或分类任务,以辅助传感器封装过程的缺陷检测。
105、依据最小的几个特征值对应的特征向量及待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;
需要说明的是,假设我们有10个待检测的传感器样本,每个样本有100个特征(这些特征可以是从深度神经网络中提取的深度特征)。同时,我们已经通过前面的步骤获得了最小的3个特征值对应的特征向量;待检测传感器样本数据矩阵(10个样本 x 100个特征):X_samples;最小的3个特征值对应的特征向量(3个特征向量 x 100个特征):V_min_eigenvectors;我们将使用这3个特征向量来转换原始的传感器样本数据,通过将每个样本投影到这三个特征向量上来实现;
python
import numpy as np
# 假设 X_samples 是形状为 (10, 100) 的待检测传感器样本数据矩阵
# 假设 V_min_eigenvectors 是形状为 (100, 3) 的最小特征值对应的特征向量矩阵
X_samples = np.random.rand(10, 100) # 模拟数据,实际应用中应替换为真实数据
V_min_eigenvectors = np.random.rand(100, 3) # 模拟数据,实际应用中应替换为通过前面步骤计算得到的特征向量
# 将样本数据投影到特征向量上,得到新的表示
X_transformed = np.dot(X_samples, V_min_eigenvectors) # 结果形状为(10, 3)
聚类
python
from sklearn.cluster import KMeans
# 设置聚类数量为2
kmeans = KMeans(n_clusters=2, random_state=42)
# 对转换后的数据进行聚类
kmeans.fit(X_transformed)
# 获取聚类标签
labels = kmeans.labels_
计算聚类中心
python
# 计算每个聚类的中心点
cluster_centers = kmeans.cluster_centers_
print("聚类中心点:")
print(cluster_centers)
输出结果
最终,我们得到了每个待检测传感器样本所属的聚类标签以及每个聚类的中心点。
106、依据正常封装过程图像得到正常样本的聚类中心,然后,计算待检测传感器样本对应的聚类中心与正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本;
需要说明的是,假设我们有一个包含100张正常封装过程的图像数据集,记作normal_images,以及一个待检测的传感器样本图像,记作test_image;特征提取:使用预训练的深度神经网络(如VGG16、ResNet等)来提取图像特征;
计算聚类中心,对正常样本的特征进行聚类(例如使用K-means),并得到聚类中心:
python
from sklearn.cluster import KMeans
# 将正常特征转换为NumPy数组
normal_features_np = np.array(normal_features)
# 使用K-means进行聚类,假设聚成1类,即得到正常样本的聚类中心
kmeans = KMeans(n_clusters=1, random_state=42)
kmeans.fit(normal_features_np)
normal_cluster_center = kmeans.cluster_centers_[0]
计算距离并判断缺陷,计算待检测样本的特征与正常样本聚类中心的距离:
python
from scipy.spatial.distance import euclidean
# 计算待检测样本特征与正常样本聚类中心的距离
distance = euclidean(test_features, normal_cluster_center)
# 设定阈值K,例如K=10.0(这个值需要根据实际情况调整)
K = 10.0
if distance>K:
print("待检测传感器样本被视为缺陷样本")
else:
print("待检测传感器样本为正常样本")
对正常样本的特征进行了聚类,并得到了一个聚类中心。接着,我们计算了待检测样本的特征与正常样本聚类中心的距离,并根据预设的阈值K来判断待检测样本是否存在缺陷。
本发明实施例中,首先获取传感器封装图像数据,包括正常封装和已知缺陷封装的图像,并进行适当的预处理,如裁剪、缩放、增强和格式转换;利用预设的VAE(变分自编码器)模型结构,从正常封装和已知缺陷封装的图像中提取潜在特征向量;采用余弦相似度方法计算特征向量之间的相似度,并构建一个相似度矩阵;依据相似度矩阵构建规范化图拉普拉斯矩阵,并进行特征分解,筛选得到最小的几个特征值对应的特征向量;将待检测传感器样本与筛选出的特征向量组合成矩阵,进行聚类,并计算每个聚类的中心点;依据正常封装过程图像得到的正常样本聚类中心,计算待检测传感器样本对应的聚类中心与正常样本聚类中心的距离,如果距离大于预设阈值K,则判定待检测传感器样本为缺陷样本。通过深度学习技术提取图像特征,能够捕捉到更细微的缺陷特征,提高缺陷检测的准确性;整个检测过程自动化进行,减少了人工干预和主观判断,提高了检测效率和一致性;鲁棒性强:该方法对图像质量、光照条件等变化具有较强的鲁棒性,适用于各种实际生产环境;可以很容易地扩展到其他类型的传感器封装过程或其他类似的视觉检测任务中;通过及时发现并处理缺陷,该技术有助于提高产品质量,减少不良品率,降低生产成本;能够收集并分析大量的生产数据,为生产过程的优化和改进提供有力的数据支持;综上所述,该技术结合了深度学习和图像处理技术,为传感器封装过程的缺陷检测提供了一种高效、准确且自动化的解决方案,有助于提高生产效率和产品质量。
请参阅图2,本发明实施例中结合深度特征的传感器封装过程缺陷检测方法的另一个实施例包括:
201、获取传感器封装图像数据,传感器封装图像数据包括待检测传感器样本及训练传感器样本,训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;
具体地,对待检测传感器样本及训练传感器样本进行预处理;依据待检测传感器样本及训练传感器样本使用图像质量评估算法,基于清晰度、对比度和噪声水平的评估,剔除低质量图像;应用深度学习模型来识别并去除图像中的不相关物体或背景,确保传感器封装图像的主题突出;对于训练传感器样本,对图像进行分类,包括正常封装、各种缺陷类型,为每一类数据创建索引和标签,便于后续快速检索和使用,采用半自动标注工具,利用预训练的模型辅助人工进行快速而准确的标注,对于已知缺陷类型,预先定义标注模板,加速标注过程;依据待检测传感器样本及训练传感器样本引入基于生成对抗网络的数据增强技术,生成更多样化的缺陷样本,利用风格迁移技术,将不同风格的背景或噪声添加到图像中,增强模型的泛化能力;在样本数据的预处理结束后,进行一轮数据验证,确保所有图像的标注准确无误,利用交叉验证方法评估预处理后数据的质量,将预处理后的完整数据集划分为K个子集,进行K次迭代,每次迭代选择一个子集作为测试集,其余K-1个子集合并作为训练集,在每次迭代中,使用训练集训练一个缺陷检测模型,并在测试集上评估模型的性能,记录每次迭代的评估结果,并计算K次迭代的平均性能指标,分析交叉验证的结果,如果平均性能指标中的准确率大于G(90%)和/或平均F1分数超过P(0.8),且各次迭代之间的迭代性能指标的标准差小于性能指标的5%,则完成预处理后的数据质量交叉验证工作;将预处理后的数据按照深度学习模型的输入格式进行组织和存储,输出数据包括清洗后、标注好且经过数据增强的待检测传感器样本和训练传感器样本;
需要说明的是,实施例中,待检测传感器样本:从生产线收集1000张待检测的传感器封装图像;训练传感器样本:正常封装过程图像:5000张;已知缺陷封装过程图像:各类缺陷共5000张,其中包括引脚弯曲、封装不完整、错位等不同类型的缺陷;图像清洗:使用图像质量评估算法,评估所有图像的清晰度、对比度和噪声水平;剔除低于设定阈值的低质量图像,保留高质量图像共9500张(待检测样本900张,正常封装样本4500张,各类缺陷封装样本共4100张);图像标注:对于训练集中的正常封装和各类缺陷图像,使用半自动标注工具进行标注;预先定义各类缺陷的标注模板,如引脚弯曲、封装不完整等,以加速标注过程;
应用生成对抗网络(GAN)技术,针对每一种已知缺陷类型,生成额外的1000张模拟缺陷图像,以增强数据集的多样性和模型的泛化能力;利用风格迁移技术,为图像添加不同的背景和噪声,每种类型增加500张风格化图像;
数据验证:通过人工检查确保所有图像的标注准确无误;交叉验证:将9500张清洗后的图像数据集划分为5个子集(K=5);进行5次迭代,每次选择一个子集作为测试集,其余子集合并作为训练集;训练缺陷检测模型,并记录每次迭代的准确率、F1分数等指标;性能评估:若5次迭代的平均准确率超过90%(G=90%),且平均F1分数超过0.8(P=0.8),同时各次迭代之间的性能指标标准差小于性能指标的5%,则认为数据质量交叉验证通过;
将经过清洗、标注和数据增强的图像数据集按照深度学习模型所需的输入格式(如TensorFlow的TFRecord格式)进行组织和存储;最终数据集包含:待检测传感器样本900张,正常封装样本5500张(含GAN增强数据),各类缺陷封装样本共5100张(含GAN增强和风格化数据)。
202、对预设的VAE模型结构进行训练,调用预设的处理传感器封装图像的VAE模型结构,VAE模型结构包括编码器、解码器和潜在空间,依据正常封装过程图像结合VAE模型结构进行学习,VAE模型结构学习到正常封装过程图像过程的潜在特征,而后依据VAE模型结构进行优化变分下界,得到训练好的VAE模型结构;
具体地,定义VAE模型结构,包括编码器、解码器和潜在空间;编码器将输入图像编码为一个潜在表示,编码器包括输入层:接受预处理后的图像数据,图像大小为HxWxC;卷积层:使用多个卷积层提取图像特征,每层使用ReLU激活函数增加非线性;池化层:在卷积层之后加入最大池化或平均池化层,以减少特征图的维度;全连接层:将最后一个池化层的输出展平,并通过一个或多个全连接层映射到潜在空间的维度;输出层:编码器输出两个参数,即潜在空间表示的均值μ和标准差的对数logσ,这两个参数用于采样潜在表示;潜在空间为编码器输出的潜在表示所在的空间,使用编码器输出的均值和标准差对数,通过重参数化技巧采样潜在表示z;
z = μ + exp(0.5 * logσ) * ε
其中ε是从标准正态分布中采样的随机噪声;解码器将潜在空间的表示解码回图像空间,通过反卷积层或上采样层实现;依据正常封装过程图像作为训练数据加载为Tensor,并划分为训练集和验证集,定义损失函数,包括重构损失和KL散度,使用优化算法来最小化损失函数,从而训练VAE模型;在每个epoch中,遍历训练集,计算损失函数,并反向传播更新模型参数,监控验证集上的性能,如果连续几个epoch没有提升,则停止训练,得到训练好的VAE模型结构;
需要说明的是,定义VAE模型结构中,编码器:输入层:接受256x256x3(HxWxC)大小的预处理图像;卷积层:使用3层卷积,每层卷积核大小为3x3,步长为1,填充为1,输出通道数分别为64、128、256,每层后接ReLU激活函数;池化层:在每层卷积后使用2x2的最大池化层,步长为2;潜在空间的维度,例如设置为256维;输出层:输出潜在空间表示的均值μ(256维)和标准差的对数logσ(256维);潜在空间:使用编码器输出的均值μ和标准差对数logσ,通过重参数化技巧采样潜在表示z;
采样公式:z = μ + exp(0.5 * logσ) * ε,其中ε是从标准正态分布N(0, 1)中采样的256维随机噪声。
解码器:输入层:接受潜在空间的表示z(256维);全连接层:将z映射到一个与编码器最后一个池化层输出相同大小的特征向量;反卷积层:使用3层反卷积,每层卷积核大小为3x3,步长为2,输出通道数分别为128、64、3,最后一层不使用激活函数,其他层使用ReLU激活函数;
从正常封装过程图像数据集中选择5000张图像作为训练数据;将图像数据加载为Tensor,并划分为训练集(4000张)和验证集(1000张);定义损失函数:重构损失:使用二元交叉熵损失(BCE loss)或均方误差损失(MSE loss)来衡量解码图像与原始图像之间的差异;KL散度:衡量潜在空间表示与标准正态分布之间的差异,鼓励模型学习更紧凑的潜在表示;优化算法:使用Adam优化器,学习率设置为0.001;训练过程:在每个epoch中,遍历训练集,计算损失函数,并反向传播更新模型参数;每个epoch结束后,在验证集上评估模型的性能;如果连续5个epoch在验证集上的性能没有提升,则停止训练;经过训练,我们得到一个能够学习到正常封装过程图像潜在特征的VAE模型。
203、依据正常封装过程图像和已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;
具体地,将预处理后的正常封装过程图像和已知缺陷封装过程图像作为输入,传递给VAE模型结构的编码器部分,通过编码器网络进行前向传播,得到每个图像的潜在特征向量,将提取到的潜在特征向量保存到数据结构中,得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;
需要说明的是,数据准备正常封装过程图像:准备5000张经过预处理的正常封装过程图像,每张图像大小为256x256像素,存储为normal_images.npy文件;已知缺陷封装过程图像:准备5000张经过预处理的已知缺陷封装过程图像,包括各种类型的缺陷(如引脚弯曲、封装不完整等),每张图像大小同样为256x256像素,存储为defect_images.npy文件;加载之前训练好的VAE模型,该模型包括编码器、解码器和潜在空间,且已经过优化和验证;加载图像数据:使用NumPy库加载normal_images.npy和defect_images.npy文件,得到正常封装和缺陷封装的图像数组;将正常封装和缺陷封装的图像分别传递给VAE模型的编码器部分;通过编码器网络进行前向传播,得到每个图像的潜在特征向量;保存潜在特征向量:将提取到的正常封装图像的潜在特征向量保存到normal_latent_features.npy文件中;将提取到的缺陷封装图像的潜在特征向量保存到defect_latent_features.npy文件中。
204、依据正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据特征向量之间的相似度构建一个相似度矩阵;
具体地,依据正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量计算余弦相似度,提取正常封装过程图像的潜在特征向量集合,记作N,其中每个元素\vec{n}_i代表一个正常封装的特征向量;提取已知缺陷封装过程图像的潜在特征向量集合,记作D,其中每个元素\vec{d}_j代表一个缺陷封装的特征向量;
通过两层循环来计算余弦相似度,外层循环遍历正常封装过程图像的潜在特征向量集合N,内层循环遍历已知缺陷封装过程图像的潜在特征向量集合D,则:
\text{cosine_similarity}(\vec{n}_i,\vec{d}_j)=\frac{\vec{n}_i\cdot\vec{d}_j}{|\vec{n}_i|\times|\vec{d}_j|}
其中,(\vec{n}_i)是正常封装过程的第(i)个潜在特征向量;(\vec{d}_j)是缺陷封装过程的第(j)个潜在特征向量;(\vec{n}_i\cdot\vec{d}_j)表示两个向量的点积;(|\vec{n}_i|)和(|\vec{d}_j|)分别是两个向量的模;
将所有计算得到的余弦相似度值存储在一个矩阵中,矩阵的行代表正常封装过程图像的潜在特征向量,列代表已知缺陷封装过程图像的潜在特征向量,每个元素表示对应的两个特征向量之间的余弦相似度,构建得到相似度矩阵;
需要说明的是,假设我们已经从VAE模型的编码器中提取了500个正常封装过程图像的潜在特征向量,每个特征向量的维度为128。我们将这些特征向量存储在NumPy数组N中,形状为(500, 128);同样地,假设我们已经提取了300个已知缺陷封装过程图像的潜在特征向量,也存储在NumPy数组D中,形状为(300, 128);我们将使用两层循环来计算N和D中每个向量对的余弦相似度,并将结果存储在一个相似度矩阵中;
python
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
# 假设N和D是已经提取好的潜在特征向量数组
# N.shape = (500, 128)
# D.shape = (300, 128)
# 使用sklearn库中的cosine_similarity函数计算余弦相似度矩阵
similarity_matrix = cosine_similarity(N, D)
# similarity_matrix现在包含了所有正常封装和缺陷封装特征向量之间的余弦相似度
# similarity_matrix.shape = (500, 300)
在这个实施例中,我们没有手动实现余弦相似度的计算,而是使用了sklearn.metrics.pairwise.cosine_similarity函数,它可以直接计算两个向量集合之间的余弦相似度矩阵。这样做的好处是代码更简洁,且利用了优化的库函数来提高计算效率。
205、依据相似度矩阵构建规范化图拉普拉斯矩阵,依据规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;
具体地,设定规范化拉普拉斯矩阵为L_{norm},则:
L_{norm} = D^{-1/2}LD^{-1/2}
其中,(L = D - S),L为未规范化的拉普拉斯矩阵,S是相似度矩阵,D是度矩阵,对角线上是S的行和或列和,其他元素为0;对规范化图拉普拉斯矩阵L进行特征分解,得到特征值和特征向量,选择最小的k个特征值对应的特征向量,这些特征向量表示数据的主要变化方向;当新的数据到来时,采用增量式特征分解算法来更新特征值和特征向量,无需重新对整个数据集进行特征分解;
需要说明的是,使用之前计算得到的相似度矩阵S,它是一个500x300的矩阵,表示500个正常封装图像与300个缺陷封装图像的相似度,截取S的一部分来形成一个500x500的方阵;度矩阵:根据相似度矩阵S,我们可以计算度矩阵D。D是一个对角矩阵,对角线上的元素是S每行的和;首先,我们根据公式L = D - S计算未规范化的拉普拉斯矩阵L;规范化图拉普拉斯矩阵:接着,我们使用公式L_{norm} = D^{-1/2}LD^{-1/2}来计算规范化图拉普拉斯矩阵L_{norm};这里,D^{-1/2}是度矩阵D的每个对角线元素取平方根后的倒数所构成的对角矩阵;对规范化图拉普拉斯矩阵L_{norm}进行特征分解,得到特征值和特征向量;从分解得到的特征值中,选择最小的k(假设我们选择前10个最小的特征值对应的特征向量)个特征值对应的特征向量,这些特征向量表示数据的主要变化方向。
当新的数据到来时,为了避免对整个数据集重新进行特征分解,可以采用增量式特征分解算法来更新特征值和特征向量,如使用兰索斯方法(Lanczos method)或者其他迭代方法来逼近新的特征空间和特征值。
206、依据最小的几个特征值对应的特征向量及待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;
具体地,依据待检测传感器样本得到待检测的传感器样本的深度特征向量;将待检测的传感器样本的深度特征向量与通过图拉普拉斯矩阵分解得到的最小的几个特征值对应的特征向量进行组合,构建一个矩阵,其中每一行代表一个待检测的传感器样本,每一列代表一个特征向量,对于第i个传感器样本,将其深度特征向量与k个最小的特征值对应的特征向量拼接起来,形成矩阵的第i行;使用聚类算法K-means对上述构建的矩阵进行聚类,聚类的目标是将相似的传感器样本分组在一起,设定聚类的数量s,运行聚类算法,得到每个传感器样本所属的聚类标签;对于每个聚类,计算其内部所有样本的平均值,得到该聚类的中心点,这个中心点代表了该聚类中传感器样本的典型特征,聚类中心通过对属于同一聚类的所有样本的特征向量进行平均计算得到;输出每个待检测传感器样本所属的聚类标签,输出每个聚类的中心点;
需要说明的是,假设我们有100个待检测的传感器样本,这些样本已经通过深度学习模型进行了特征提取;对于每个传感器样本,通过预训练的模型提取出一个128维的深度特征向量,这些特征向量存储在NumPy数组deep_features中,形状为(100, 128);根据之前的步骤,我们已经得到了通过图拉普拉斯矩阵分解得到的最小的k个特征值对应的特征向量,假设k=10,这些特征向量存储在laplacian_eigenvectors中,形状为(500, 10)(这里500是正常封装图像的数量,但实际使用时我们只取与待检测样本数量相匹配的部分或进行必要的降维);对于每个待检测的传感器样本,我们将其深度特征向量与图拉普拉斯特征向量进行拼接。由于图拉普拉斯特征向量是基于正常封装图像的,我们需要找到一种方法将其与待检测样本对应起来(例如,通过最近邻搜索或其他匹配算法)。拼接后的特征矩阵combined_features形状为(100, 138);设置聚类数量:设定聚类的数量s为3,代表我们想要将传感器样本分为3类:正常、缺陷类型1和缺陷类型2;运行K-means算法:使用scikit-learn库中的KMeans类对combined_features进行聚类输出结果,聚类标签:cluster_labels是一个长度为100的数组,表示每个待检测传感器样本所属的聚类标签;聚类中心点:cluster_centers是一个形状为(3, 138)的数组,表示每个聚类的中心点,即每个聚类中传感器样本的典型特征。
207、依据正常封装过程图像得到正常样本的聚类中心,然后,计算待检测传感器样本对应的聚类中心与正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本;
具体地,使用聚类算法K-means对正常封装过程图像的特征向量进行聚类,并计算每个聚类的中心,这些聚类中心代表了正常封装过程的典型特征;
设定一个阈值K,如果待检测传感器样本对应的聚类中心与正常样本的聚类中心的距离大于K,则该样本被视为缺陷样本;
需要说明的是,假设有500张正常封装过程的图像,这些图像已经通过深度学习模型提取了特征向量,每张图像对应一个128维的深度特征向量,存储在normal_features数组中,形状为(500, 128);另外有100个待检测的传感器样本,同样通过深度学习模型提取了特征向量,存储在test_features数组中,形状为(100, 128);对正常样本进行K-means聚类:使用scikit-learn库中的KMeans类对normal_features进行聚类。假设我们将正常样本聚为5类(这个数值可以根据实际情况调整);
python
from sklearn.cluster import KMeans
# 初始化KMeans并设置聚类数为5
kmeans = KMeans(n_clusters=5, random_state=0)
# 对正常样本特征进行聚类
kmeans.fit(normal_features)
# 获取正常样本的聚类中心
normal_cluster_centers = kmeans.cluster_centers_
此时,normal_cluster_centers是一个形状为(5, 128)的数组,代表5个正常样本的聚类中心;
计算待检测样本与正常样本聚类中心的距离,分配待检测样本到最近的聚类中心:对于每个待检测样本,我们找到它距离最近的正常样本聚类中心;
python
from sklearn.metrics.pairwise import euclidean_distances
# 计算待检测样本与正常样本聚类中心的距离
distances = euclidean_distances(test_features, normal_cluster_centers)
# 找到每个待检测样本距离最近的聚类中心
closest_center_indices = distances.argmin(axis=1)
closest_distances = distances.min(axis=1)
设定一个距离阈值K,例如K=10(这个值根据实际情况调整),判断缺陷样本:如果待检测样本到最近聚类中心的距离大于K,则将其视为缺陷样本;
python
# 设定阈值K
K = 10
# 判断缺陷样本
defective_samples = closest_distances>K
defective_samples是一个布尔数组,长度为100,表示每个待检测样本是否为缺陷样本。
最后,我们可以输出哪些待检测样本是缺陷样本,以及它们到最近聚类中心的距离。
本发明实施例中,通过深度学习模型提取传感器封装图像的特征,并利用变分自编码器(VAE)学习正常封装过程的潜在特征。接着,通过计算正常封装和已知缺陷封装的潜在特征向量之间的余弦相似度,构建一个相似度矩阵。然后,基于该相似度矩阵构建规范化图拉普拉斯矩阵,并进行特征分解,筛选出最小的几个特征值对应的特征向量。这些特征向量与待检测传感器样本的深度特征向量组合,形成一个新的特征矩阵。最后,利用K-means算法对这个特征矩阵进行聚类,并通过计算待检测传感器样本对应的聚类中心与正常样本聚类中心的距离,判断待检测样本是否为缺陷样本;通过结合深度特征和图拉普拉斯矩阵的方法,能够更准确地捕捉到传感器封装过程中的微小变化,从而更精确地检测出缺陷;利用VAE模型学习正常封装过程的潜在特征,使得模型能够更好地理解正常封装的特点,进而更有效地识别出与正常封装不同的缺陷样本;通过计算待检测传感器样本与正常样本聚类中心的距离来判断是否为缺陷样本,这种方法可以减少误报,提高检测的可靠性;相比于传统的人工检测方法,该技术能够实现自动化检测,大大提高检测效率;可以应用于不同类型的传感器封装过程,具有较强的通用性和适应性;随着数据的不断增加和模型的持续优化,该技术的检测性能可以进一步提升;综上所述,该技术结合了深度学习和图拉普拉斯矩阵的优点,提高了传感器封装过程缺陷检测的准确性和效率,为工业自动化生产提供了有力的技术支持。
上面对本发明实施例中结合深度特征的传感器封装过程缺陷检测方法进行了描述,下面对本发明实施例中结合深度特征的传感器封装过程缺陷检测装置进行描述,请参阅图3,本发明实施例中结合深度特征的传感器封装过程缺陷检测装置一个实施例包括:获取模块301,用于获取传感器封装图像数据,传感器封装图像数据包括待检测传感器样本及训练传感器样本,训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;提取模块302,用于依据正常封装过程图像和已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;矩阵模块303,用于依据正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据特征向量之间的相似度构建一个相似度矩阵;分解模块304,用于依据相似度矩阵构建规范化图拉普拉斯矩阵,依据规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;设置模块305,用于依据最小的几个特征值对应的特征向量及待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;处理模块306,用于依据正常封装过程图像得到正常样本的聚类中心,然后,计算待检测传感器样本对应的聚类中心与正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本。
本发明实施例中,通过多个模块协同工作,实现了从数据获取到缺陷判定的全流程自动化处理。首先,通过获取模块收集传感器封装的图像数据,包括待检测和训练样本。接着,提取模块利用预设的VAE模型从正常和缺陷封装图像中提取潜在特征向量。矩阵模块则计算这些特征向量之间的余弦相似度,构建相似度矩阵。然后,分解模块通过规范化图拉普拉斯矩阵的特征分解,筛选出关键的特征向量。设置模块将这些特征向量与待检测样本组合,进行聚类并计算聚类中心。最后,处理模块通过比较待检测样本聚类中心与正常样本聚类中心的距离,来判断是否存在缺陷;通过多个模块的自动化处理,大大减少了人工干预的需要,提高了检测过程的效率和准确性;利用VAE模型和深度学习技术提取的潜在特征向量能够更精确地表示传感器封装的细节,有助于准确识别缺陷;通过计算特征向量之间的相似度和聚类分析,该技术能够有效识别出与正常封装模式不符的缺陷样本;可以适应不同类型的传感器封装过程,并且随着数据的增加和模型的更新,检测性能可以持续提升;通过精确计算聚类中心之间的距离来判定缺陷,降低了误报和漏报的可能性,提高了检测的可靠性;综上所述,该技术通过高度自动化的处理流程和精确的特征提取方法,实现了对传感器封装过程缺陷的高效、准确检测,为工业生产的质量控制提供了有力支持。
上面图3从模块化功能实体的角度对本发明实施例中的结合深度特征的传感器封装过程缺陷检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中结合深度特征的传感器封装过程缺陷检测设备进行详细描述。
图4是本发明实施例提供的一种结合深度特征的传感器封装过程缺陷检测设备的结构示意图,该结合深度特征的传感器封装过程缺陷检测设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)410(例如,一个或一个以上处理器)和存储器420,一个或一个以上存储应用程序433或数据432或操作系统431的存储介质430(例如一个或一个以上海量存储设备),操作系统431为Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。其中,存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对结合深度特征的传感器封装过程缺陷检测设备400中的一系列指令操作。更进一步地,处理器410可以设置为与存储介质430通信,在结合深度特征的传感器封装过程缺陷检测设备400上执行存储介质430中的一系列指令操作。
结合深度特征的传感器封装过程缺陷检测设备400还可以包括一个或一个以上电源440,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口460。本领域技术人员可以理解,图4示出的结合深度特征的传感器封装过程缺陷检测设备结构并不构成对结合深度特征的传感器封装过程缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种结合深度特征的传感器封装过程缺陷检测设备,所述结合深度特征的传感器封装过程缺陷检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述结合深度特征的传感器封装过程缺陷检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述结合深度特征的传感器封装过程缺陷检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述结合深度特征的传感器封装过程缺陷检测方法包括:
获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;
依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;
依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵;
依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;
依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;
依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于一个预设的K,则待检测传感器样本被视为缺陷样本。
2.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像,包括:
对所述待检测传感器样本及训练传感器样本进行预处理;
依据所述待检测传感器样本及训练传感器样本使用图像质量评估算法,基于清晰度、对比度和噪声水平的评估,剔除低质量图像;应用深度学习模型来识别并去除图像中的不相关物体或背景,确保传感器封装图像的主题突出;
对于所述训练传感器样本,对图像进行分类,包括正常封装、各种缺陷类型,为每一类数据创建索引和标签,便于后续快速检索和使用,采用半自动标注工具,利用预训练的模型辅助人工进行快速而准确的标注,对于已知缺陷类型,预先定义标注模板,加速标注过程;
依据所述待检测传感器样本及所述训练传感器样本引入基于生成对抗网络的数据增强技术,生成更多样化的缺陷样本,利用风格迁移技术,将不同风格的背景或噪声添加到图像中,增强模型的泛化能力;
在样本数据的预处理结束后,进行一轮数据验证,确保所有图像的标注准确无误,利用交叉验证方法评估预处理后数据的质量,将预处理后的完整数据集划分为K个子集,进行K次迭代,每次迭代选择一个子集作为测试集,其余K-1个子集合并作为训练集,在每次迭代中,使用训练集训练一个缺陷检测模型,并在测试集上评估模型的性能,记录每次迭代的评估结果,并计算K次迭代的平均性能指标,分析交叉验证的结果,如果平均性能指标中的准确率大于一个预设的G和/或平均F1分数超过一个预设的P,且各次迭代之间的迭代性能指标的标准差小于性能指标的5%,则完成预处理后的数据质量交叉验证工作;
将预处理后的数据按照深度学习模型的输入格式进行组织和存储,输出数据包括清洗后、标注好且经过数据增强的待检测传感器样本和训练传感器样本。
3.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量,包括:
对预设的VAE模型结构进行训练,调用预设的处理传感器封装图像的VAE模型结构,所述VAE模型结构包括编码器、解码器和潜在空间,依据所述正常封装过程图像结合VAE模型结构进行学习,VAE模型结构学习到正常封装过程图像过程的潜在特征,而后依据VAE模型结构进行优化变分下界,得到训练好的VAE模型结构;
定义VAE模型结构,包括编码器、解码器和潜在空间;
编码器将输入图像编码为一个潜在表示,编码器包括输入层:接受预处理后的图像数据,图像大小为HxWxC;卷积层:使用多个卷积层提取图像特征,每层使用ReLU激活函数增加非线性;池化层:在卷积层之后加入最大池化或平均池化层,以减少特征图的维度;全连接层:将最后一个池化层的输出展平,并通过一个或多个全连接层映射到潜在空间的维度;输出层:编码器输出两个参数,即潜在空间表示的均值μ和标准差的对数logσ,这两个参数用于采样潜在表示;
潜在空间为编码器输出的潜在表示所在的空间,使用编码器输出的均值和标准差对数,通过重参数化技巧采样潜在表示z;
z = μ + exp(0.5 * logσ) * ε;
其中ε是从标准正态分布中采样的随机噪声;
解码器将潜在空间的表示解码回图像空间,通过反卷积层或上采样层实现;
依据所述正常封装过程图像作为训练数据加载为Tensor,并划分为训练集和验证集,定义损失函数,包括重构损失和KL散度,使用优化算法来最小化损失函数,从而训练VAE模型;
在每个epoch中,遍历训练集,计算损失函数,并反向传播更新模型参数,监控验证集上的性能,如果连续几个epoch没有提升,则停止训练,得到训练好的VAE模型结构;
将预处理后的所述正常封装过程图像和所述已知缺陷封装过程图像作为输入,传递给VAE模型结构的编码器部分,通过编码器网络进行前向传播,得到每个图像的潜在特征向量,将提取到的潜在特征向量保存到数据结构中,得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量。
4.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵,包括:
依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量计算余弦相似度,提取正常封装过程图像的潜在特征向量集合,记作N,其中每个元素\vec{n}_i代表一个正常封装的特征向量;提取已知缺陷封装过程图像的潜在特征向量集合,记作D,其中每个元素\vec{d}_j代表一个缺陷封装的特征向量;
通过两层循环来计算余弦相似度,外层循环遍历正常封装过程图像的潜在特征向量集合N,内层循环遍历已知缺陷封装过程图像的潜在特征向量集合D,则:
\text{cosine_similarity}(\vec{n}_i,\vec{d}_j)=\frac{\vec{n}_i\cdot\vec{d}_j}{|\vec{n}_i|\times|\vec{d}_j|};
其中,(\vec{n}_i)是正常封装过程的第(i)个潜在特征向量;(\vec{d}_j)是缺陷封装过程的第(j)个潜在特征向量;(\vec{n}_i\cdot\vec{d}_j)表示两个向量的点积;(|\vec{n}_i|)和(|\vec{d}_j|)分别是两个向量的模;
将所有计算得到的余弦相似度值存储在一个矩阵中,矩阵的行代表正常封装过程图像的潜在特征向量,列代表已知缺陷封装过程图像的潜在特征向量,每个元素表示对应的两个特征向量之间的余弦相似度,构建得到相似度矩阵。
5.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量,包括:
设定规范化拉普拉斯矩阵为L_{norm},则:
L_{norm} = D^{-1/2}LD^{-1/2};
其中,(L = D - S),L为未规范化的拉普拉斯矩阵,S是相似度矩阵,D是度矩阵,对角线上是S的行和或列和,其他元素为0;
对规范化图拉普拉斯矩阵L进行特征分解,得到特征值和特征向量,选择最小的k个特征值对应的特征向量,这些特征向量表示数据的主要变化方向;
当新的数据到来时,采用增量式特征分解算法来更新特征值和特征向量,无需重新对整个数据集进行特征分解。
6.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心,包括:
依据所述待检测传感器样本得到待检测的传感器样本的深度特征向量;
将待检测的传感器样本的深度特征向量与通过图拉普拉斯矩阵分解得到的所述最小的几个特征值对应的特征向量进行组合,构建一个矩阵,其中每一行代表一个待检测的传感器样本,每一列代表一个特征向量,对于第i个传感器样本,将其深度特征向量与k个最小的特征值对应的特征向量拼接起来,形成矩阵的第i行;
使用聚类算法K-means对上述构建的矩阵进行聚类,聚类的目标是将相似的传感器样本分组在一起,设定聚类的数量s,运行聚类算法,得到每个传感器样本所属的聚类标签;
对于每个聚类,计算其内部所有样本的平均值,得到该聚类的中心点,这个中心点代表了该聚类中传感器样本的典型特征,聚类中心通过对属于同一聚类的所有样本的特征向量进行平均计算得到;
输出每个待检测传感器样本所属的聚类标签,输出每个聚类的中心点。
7.根据权利要求1所述的结合深度特征的传感器封装过程缺陷检测方法,其特征在于,所述依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本,包括:
使用聚类算法K-means对正常封装过程图像的特征向量进行聚类,并计算每个聚类的中心,这些聚类中心代表了正常封装过程的典型特征;
设定一个阈值K,如果所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离大于K,则该样本被视为缺陷样本。
8.一种结合深度特征的传感器封装过程缺陷检测装置,其特征在于,所述结合深度特征的传感器封装过程缺陷检测装置包括:
获取模块,用于获取传感器封装图像数据,所述传感器封装图像数据包括待检测传感器样本及训练传感器样本,所述训练传感器样本包括正常封装过程图像和已知缺陷封装过程图像;
提取模块,用于依据所述正常封装过程图像和所述已知缺陷封装过程图像结合预设的VAE模型结构,提取得到正常封装过程图像的潜在特征向量和已知缺陷封装过程图像的潜在特征向量;
矩阵模块,用于依据所述正常封装过程图像的潜在特征向量和所述已知缺陷封装过程图像的潜在特征向量,采用余弦相似度方法得到特征向量之间的相似度,依据所述特征向量之间的相似度构建一个相似度矩阵;
分解模块,用于依据所述相似度矩阵构建规范化图拉普拉斯矩阵,依据所述规范化拉普拉斯矩阵进行特征分解,得到多个特征值和特征向量,筛选得到最小的几个特征值对应的特征向量;
设置模块,用于依据所述最小的几个特征值对应的特征向量及所述待检测传感器样本组合成一个矩阵,每一行对应一个待检测传感器样本,每一列对应一个特征向量,然后进行聚类,对于每个聚类,计算其中心点,得到待检测传感器样本对应的聚类中心;
处理模块,用于依据所述正常封装过程图像得到正常样本的聚类中心,然后,计算所述待检测传感器样本对应的聚类中心与所述正常样本的聚类中心的距离,如果距离大于K,则待检测传感器样本被视为缺陷样本。
9.一种结合深度特征的传感器封装过程缺陷检测设备,其特征在于,所述结合深度特征的传感器封装过程缺陷检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述结合深度特征的传感器封装过程缺陷检测设备执行如权利要求1-7中任一项所述的结合深度特征的传感器封装过程缺陷检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的结合深度特征的传感器封装过程缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410529834.5A CN118096774B (zh) | 2024-04-29 | 结合深度特征的传感器封装过程缺陷检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410529834.5A CN118096774B (zh) | 2024-04-29 | 结合深度特征的传感器封装过程缺陷检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118096774A CN118096774A (zh) | 2024-05-28 |
CN118096774B true CN118096774B (zh) | 2024-07-02 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
CN114648480A (zh) * | 2020-12-17 | 2022-06-21 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置及系统 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
CN114648480A (zh) * | 2020-12-17 | 2022-06-21 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bosilj et al. | Transfer learning between crop types for semantic segmentation of crops versus weeds in precision agriculture | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
Liu et al. | Unsupervised segmentation and elm for fabric defect image classification | |
JP4376145B2 (ja) | 画像分類学習処理システム及び画像識別処理システム | |
US6847731B1 (en) | Method and system for improving pattern recognition system performance | |
Zhan et al. | Fabric defect classification using prototypical network of few-shot learning algorithm | |
US20210304364A1 (en) | Method and system for removing noise in documents for image processing | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN115937703B (zh) | 一种用于遥感图像目标检测的增强特征提取方法 | |
Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN118096774B (zh) | 结合深度特征的传感器封装过程缺陷检测装置及方法 | |
CN118096774A (zh) | 结合深度特征的传感器封装过程缺陷检测装置及方法 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
US20230073223A1 (en) | Method for detecting anomalies in images using a plurality of machine learning programs | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
Beljadid et al. | Automatic fabric defect detection employing deep learning | |
JP7206892B2 (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
CN114529772B (zh) | Oct三维图像分类方法、系统、计算机装置及存储介质 | |
More et al. | Overcoming the Drawbacks of Convolutional Neural Network Using Capsule Network | |
Melissa et al. | Partial correlation metric based classifier for food product characterization | |
CN115115898B (zh) | 一种基于无监督特征重构的小样本目标检测方法 | |
CN117952633B (zh) | 确定物料构成的方法、装置、设备及存储介质 | |
US20230196541A1 (en) | Defect detection using neural networks based on biological connectivity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |