[go: up one dir, main page]

CN117593244A - 一种基于改进注意力机制的膜产品缺陷检测方法 - Google Patents

一种基于改进注意力机制的膜产品缺陷检测方法 Download PDF

Info

Publication number
CN117593244A
CN117593244A CN202311318982.4A CN202311318982A CN117593244A CN 117593244 A CN117593244 A CN 117593244A CN 202311318982 A CN202311318982 A CN 202311318982A CN 117593244 A CN117593244 A CN 117593244A
Authority
CN
China
Prior art keywords
film product
defects
attention mechanism
image
pictures
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
CN202311318982.4A
Other languages
English (en)
Inventor
吴茂念
李玲
吴涛
朱绍军
郑博
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.)
Collaborative Innovation Center For Membrane Separation And Water Treatment Of Zhejiang Province Huzhou Institute
Original Assignee
Collaborative Innovation Center For Membrane Separation And Water Treatment Of Zhejiang Province Huzhou Institute
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 Collaborative Innovation Center For Membrane Separation And Water Treatment Of Zhejiang Province Huzhou Institute filed Critical Collaborative Innovation Center For Membrane Separation And Water Treatment Of Zhejiang Province Huzhou Institute
Priority to CN202311318982.4A priority Critical patent/CN117593244A/zh
Publication of CN117593244A publication Critical patent/CN117593244A/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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]
    • 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)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及缺陷检测技术领域，提出了一种基于改进注意力机制的膜产品缺陷检测方法，步骤1具体包括：1)使用工业相机采集膜产品图像，通过调节工业相机的高度和焦距拍摄对应状态下的膜产品缺陷图像；2)将工业相机拍摄的视频按适当帧提取图片并保存在计算机中；对采集到的图像进行预处理，以提高后续处理的效果。步骤2具体包括：利用labelimg图像标注工具对增强后的膜产品缺陷图像进行位置和大小标注。通过上述技术方案，解决了现有膜产品缺陷检测方法主要依赖于人工视觉检查或传统的图像处理算法；但人工视觉检查的主观性和疲劳性，或传统图像处理算法在复杂背景下检测精度低的问题，可以在膜产品检测中能够带来更好的检测效果。

Description

一种基于改进注意力机制的膜产品缺陷检测方法
技术领域
本发明涉及缺陷检测技术领域，具体的，涉及一种基于改进注意力机制的膜产品缺陷检测方法。
背景技术
膜产品广泛应用于许多领域，如电子设备、光学器件等；在膜产品的制造过程中，缺陷的存在可能会导致产品质量下降，因此需要一种高效准确的方法来检测膜产品的缺陷。
经检索，现有授权公告号为CN109829893B的一种基于注意力机制的缺陷目标检测方法，该发明提供的这种方法通过注意力机制提高缺陷区域的权重，由此提高缺陷检测的精度；本方法对工业产品表面缺陷进行分类与回归的检测可以应用到其他类型的表面缺陷检测框架中提高检测精度，通用性强。
但上述检测方法不是针对膜产品的检测，检测效果较差，且现有的膜产品缺陷检测方法主要依赖于人工视觉检查或传统的图像处理算法；然而，这些方法存在着一些限制，如人工视觉检查的主观性和疲劳性，以及传统图像处理算法在复杂背景下的检测精度低等问题，为此，我们提出了一种基于改进注意力机制的膜产品缺陷检测方法。
发明内容
本发明提出一种基于改进注意力机制的膜产品缺陷检测方法，解决了相关技术中的现有膜产品缺陷检测方法主要依赖于人工视觉检查或传统的图像处理算法；然而，这些方法存在着一些限制，如人工视觉检查的主观性和疲劳性，以及传统图像处理算法在复杂背景下检测精度低的问题。
本发明的技术方案如下：
一种基于改进注意力机制的膜产品缺陷检测方法，包括如下步骤：
步骤1：数据采集、处理；
步骤2：数据标注；
步骤3：产品缺陷检测；
步骤4：计算模型改进；
步骤5：分析、生成报告；
其中步骤3具体包括：1)利用YOLOv7目标检测算法对图像进行目标检测，识别出膜产品中的缺陷目标；
将预处理后的数据输入到YOLOv7网络中；通过多个卷积层提取输入数据的特征表示，以捕捉膜产品图像中的关键信息；进行YOLOv7模型训练；
使用Binary Cross Entropy，即二分类交叉熵损失；如下公式：
上述公式中，y是真实标签，p是预测值。
作为本发明进一步的技术方案，所述步骤1具体包括：
1)使用工业相机采集膜产品图像，通过调节工业相机的高度和焦距拍摄对应状态下的膜产品缺陷图像；
2)将工业相机拍摄的视频按适当帧提取图片并保存在计算机中；对采集到的图像进行预处理，以提高后续处理的效果。
作为本发明进一步的技术方案，步骤2具体包括：利用labelimg图像标注工具对增强后的膜产品缺陷图像进行位置和大小标注，并将标签信息保存在与图片同名的txt文件中，完成所有图片的标注工作后，将所有图片和已标注的标签按照合适的比例划分为训练集、验证集和测试集。
作为本发明进一步的技术方案，步骤4具体包括：
YOLOv7模型改进步骤：对步骤3中的YOLOv7模型进行改进；引入SE注意力机制，通过压缩、激励和缩放阶段，对卷积层的特征进行加权和增强，以增强对缺陷区域的关注能力；
步骤4-1、Squeeze阶段：对卷积层的输出特征图进行全局平均池化操作，得到通道的全局描述向量；
公式为：
通过全连接层将压缩后的特征向量映射为更高维度的特征表示；
公式为：Z＝σ(W1·Fs+b1)；
步骤4-2、Excitation阶段：对全连接层的输出进行激活函数处理，引入非线性；
公式为：A＝σ(W2·Z+b2)；
将激活后的特征向量映射为与输入特征图相同维度的权重向量；
公式为：S＝σ(W3·Fs+b3)；
步骤4-3、Scale阶段：将通道的权重向量与输入特征图进行逐元素相乘，对每个通道的特征进行缩放；
公式为：
上述公式中，F表示卷积层的输出特征图，H和W分别表示特征图的高度和宽度，Fij表示特征图的第i行第j列的元素，Fs表示压缩后的特征向量，Z表示全连接层的输出，A表示激活后的特征向量，表示权重向量，Fsc表示经过SE注意力机制缩放后的特征图。
作为本发明进一步的技术方案，步骤5具体包括：利用卷积和全连接层将特征映射到检测层，生成预测边界框的位置、大小、置信度分数和类别概率等信息；对检测到的边界框进行非极大值抑制，以去除冗余和重叠的边界框，保留置信度最高的边界框；根据检测到的边界框，进行缺陷的分类和定位，确定膜产品中存在的缺陷类型和位置。
作为本发明进一步的技术方案，所述步骤1中采用的工业相机是CCD相机，视频按适当帧提取图片中的适当帧是逐帧保存，对采集的图像预处理的内容是对原始图片进行旋转、翻转、裁剪以及改变图片色彩饱和度。
作为本发明进一步的技术方案，步骤2中对图片和已标注的标签划分训练集、验证集和测试集的比例具体是7:2:1和5:3:2。
作为本发明进一步的技术方案，步骤3中YOLOv7依托计算机网络建立，通过计算机网络自动提取多个卷积层的输入数据，且YOLOv7模型训练经过多次实验，选择最合适的超参数，找出最佳训练轮数。
作为本发明进一步的技术方案，步骤五中膜产品缺陷分类具体是设计缺陷、原材料缺陷、制造缺陷，缺陷的定位具体是定位出缺陷在膜产品哪一段的具体位置。
作为本发明进一步的技术方案，步骤5中经过多次实验，选择最合适的超参数，找出最佳训练轮数，最终通过计算机生成最终的检测报告。
本发明的工作原理及有益效果为：
1、本发明通过引入改进的注意力制造，结合图像处理和深度学习技术，提高薄膜产品缺陷的检测准确性和效率；该方法足够自动聚焦于潜在的缺陷区域，并具备较强的通用性和适用性，适用于不同类型的薄膜产品缺陷检测，检测精度较高，减小管理人员工作量同时避开了人工检查的主观性和疲劳性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明方法流程原理图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
实施例1
如图1所示，本实施例提出了。
综上，一种基于改进注意力机制的膜产品缺陷检测方法，包括如下步骤：
步骤1具体包括：
1)使用工业相机采集膜产品图像，通过调节工业相机的高度和焦距拍摄对应状态下的膜产品缺陷图像；
2)将工业相机拍摄的视频按适当帧提取图片并保存在计算机中；对采集到的图像进行预处理，以提高后续处理的效果。
步骤2具体包括：利用labelimg图像标注工具对增强后的膜产品缺陷图像进行位置和大小标注，并将标签信息保存在与图片同名的txt文件中，完成所有图片的标注工作后，将所有图片和已标注的标签按照合适的比例划分为训练集、验证集和测试集。
其中步骤3具体包括：1)利用YOLOv7目标检测算法对图像进行目标检测，识别出膜产品中的缺陷目标；
将预处理后的数据输入到YOLOv7网络中；通过多个卷积层提取输入数据的特征表示，以捕捉膜产品图像中的关键信息；进行YOLOv7模型训练；
使用Binary Cross Entropy，即二分类交叉熵损失；如下公式：
上述公式中，y是真实标签，p是预测值。
步骤1中采用的工业相机是CCD相机，视频按适当帧提取图片中的适当帧是逐帧保存，对采集的图像预处理的内容是对原始图片进行旋转、翻转、裁剪以及改变图片色彩饱和度；步骤2中对图片和已标注的标签划分训练集、验证集和测试集的比例具体是7:2:1和5:3:2；
提供了一种基于YOLOv7网络对图像进行目标检测的方法，从而能够识别出膜产品中的缺陷目标。
实施例2
如图1所示，在实施例1的基础上，还提出了步骤4具体包括：
YOLOv7模型改进步骤：对步骤3中的YOLOv7模型进行改进；引入SE注意力机制，通过压缩、激励和缩放阶段，对卷积层的特征进行加权和增强，以增强对缺陷区域的关注能力；
步骤4-1、Squeeze阶段：对卷积层的输出特征图进行全局平均池化操作，得到通道的全局描述向量；
公式为：
通过全连接层将压缩后的特征向量映射为更高维度的特征表示；
公式为：Z＝σ(W1·Fs+b1)；
步骤4-2、Excitation阶段：对全连接层的输出进行激活函数处理，引入非线性；
公式为：A＝σ(W2·Z+b2)；
将激活后的特征向量映射为与输入特征图相同维度的权重向量；
公式为：S＝σ(W3·Fs+b3)；
步骤4-3、Scale阶段：将通道的权重向量与输入特征图进行逐元素相乘，对每个通道的特征进行缩放；
公式为：
上述公式中，F表示卷积层的输出特征图，H和W分别表示特征图的高度和宽度，Fij表示特征图的第i行第j列的元素，Fs表示压缩后的特征向量，Z表示全连接层的输出，A表示激活后的特征向量，表示权重向量，Fsc表示经过SE注意力机制缩放后的特征图。
提供了一种基于YOLOv7网络的模型改进方法，通过该方法可以使得最终计算出的数据值更加精确，能够自动聚焦于膜产品上的潜在缺陷区域，有效提高对膜产品的通用性和适用性。
实施例3
如图1所示，在实施例1或实施例2任意一条实施例的基础上，还提出了步骤5具体包括：利用卷积和全连接层将特征映射到检测层，生成预测边界框的位置、大小、置信度分数和类别概率等信息；对检测到的边界框进行非极大值抑制，以去除冗余和重叠的边界框，保留置信度最高的边界框；根据检测到的边界框，进行缺陷的分类和定位，确定膜产品中存在的缺陷类型和位置。
步骤五中膜产品缺陷分类具体是设计缺陷、原材料缺陷、制造缺陷，缺陷的定位具体是定位出缺陷在膜产品哪一段的具体位置；步骤5中经过多次实验，选择最合适的超参数，找出最佳训练轮数，最终通过计算机生成最终的检测报告。
通过多次试验选出最合适的超参数，从而使得计算机最终生成的检测报告更加准确，
需要说明的是，LabelImg是一个图形图像标注工具，使用Python编写的，并使用Qt作为其图形界面；其注释以PASCALVOC格式保存为XML文件；此外，它还支持YOLO和CreateML格式，是一种现有成熟的图像标注工具；
YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快,可以用于实时系统，其是一种现有成熟的算法。
SE注意力机制英文全称是Squeeze-and-Excitation，其是一种基于注意力机制的模型，它可以在自然语言处理中用于文本分类、情感分析、机器翻译等任务，其主要是通过学习文本中每个词的重要性，对文本进行加权，使得模型更加关注重要的信息，是一种现有的机制。
综上，本发明在YOLOv7模型的基础上，加入了改进的注意力制造机制，同时结合图像处理和深度学习技术，提高薄膜产品缺陷的检测准确性和效率；该方法足够自动聚焦于潜在的缺陷区域，并具备较强的通用性和适用性，同时精确的计算方式和图像抓取分析能力适用于不同类型的薄膜产品缺陷检测，检测精度较高，能够准确的对膜产品生产过程中的缺陷进行分类和定位，减小管理人员工作量同时避开了人工检查的主观性和疲劳性造成的误检。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进注意力机制的膜产品缺陷检测方法，其特征在于，包括如下步骤：
步骤1：数据采集、处理；
步骤2：数据标注；
步骤3：产品缺陷检测；
步骤4：计算模型改进；
步骤5：分析、生成报告；
其中步骤3具体包括：1)利用YOLOv7目标检测算法对图像进行目标检测，识别出膜产品中的缺陷目标；
将预处理后的数据输入到YOLOv7网络中；通过多个卷积层提取输入数据的特征表示，以捕捉膜产品图像中的关键信息；进行YOLOv7模型训练；
使用Binary Cross Entropy，即二分类交叉熵损失；如下公式：
上述公式中，y是真实标签，p是预测值。
2.根据权利要求1所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，所述步骤1具体包括：
1)使用工业相机采集膜产品图像，通过调节工业相机的高度和焦距拍摄对应状态下的膜产品缺陷图像；
2)将工业相机拍摄的视频按适当帧提取图片并保存在计算机中；对采集到的图像进行预处理，以提高后续处理的效果。
3.根据权利要求2所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤2具体包括：利用labelimg图像标注工具对增强后的膜产品缺陷图像进行位置和大小标注，并将标签信息保存在与图片同名的txt文件中，完成所有图片的标注工作后，将所有图片和已标注的标签按照合适的比例划分为训练集、验证集和测试集。
4.根据权利要求3所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤4具体包括：
YOLOv7模型改进步骤：对步骤3中的YOLOv7模型进行改进；引入SE注意力机制，通过压缩、激励和缩放阶段，对卷积层的特征进行加权和增强，以增强对缺陷区域的关注能力；
步骤4-1、Squeeze阶段：对卷积层的输出特征图进行全局平均池化操作，得到通道的全局描述向量；
公式为：
通过全连接层将压缩后的特征向量映射为更高维度的特征表示；
公式为：Z＝σ(W1·Fs+b1)；
步骤4-2、Excitation阶段：对全连接层的输出进行激活函数处理，引入非线性；
公式为：A＝σ(W2·Z+b2)；
将激活后的特征向量映射为与输入特征图相同维度的权重向量；
公式为：S＝σ(W3·Fs+b3)；
步骤4-3、Scale阶段：将通道的权重向量与输入特征图进行逐元素相乘，对每个通道的特征进行缩放；
公式为：Fsc＝S·F；
上述公式中，F表示卷积层的输出特征图，H和W分别表示特征图的高度和宽度，Fij表示特征图的第i行第j列的元素，Fs表示压缩后的特征向量，Z表示全连接层的输出，A表示激活后的特征向量，S表示权重向量，Fsc表示经过SE注意力机制缩放后的特征图。
5.根据权利要求1所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤5具体包括：利用卷积和全连接层将特征映射到检测层，生成预测边界框的位置、大小、置信度分数和类别概率等信息；对检测到的边界框进行非极大值抑制，以去除冗余和重叠的边界框，保留置信度最高的边界框；根据检测到的边界框，进行缺陷的分类和定位，确定膜产品中存在的缺陷类型和位置。
6.根据权利要求2所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，所述步骤1中采用的工业相机是CCD相机，视频按适当帧提取图片中的适当帧是逐帧保存，对采集的图像预处理的内容是对原始图片进行旋转、翻转、裁剪以及改变图片色彩饱和度。
7.根据权利要求3所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤2中对图片和已标注的标签划分训练集、验证集和测试集的比例具体是7:2:1和5:3:2。
8.根据权利要求1所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤3中YOLOv7依托计算机网络建立，通过计算机网络自动提取多个卷积层的输入数据，且YOLOv7模型训练经过多次实验，选择最合适的超参数，找出最佳训练轮数。
9.根据权利要求5所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤五中膜产品缺陷分类具体是设计缺陷、原材料缺陷、制造缺陷，缺陷的定位具体是定位出缺陷在膜产品哪一段的具体位置。
10.根据权利要求9所述的基于改进注意力机制的膜产品缺陷检测方法，其特征在于，步骤5中经过多次实验，选择最合适的超参数，找出最佳训练轮数，最终通过计算机生成最终的检测报告。
CN202311318982.4A 2023-10-12 2023-10-12 一种基于改进注意力机制的膜产品缺陷检测方法 Pending CN117593244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311318982.4A CN117593244A (zh) 2023-10-12 2023-10-12 一种基于改进注意力机制的膜产品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311318982.4A CN117593244A (zh) 2023-10-12 2023-10-12 一种基于改进注意力机制的膜产品缺陷检测方法

Publications (1)

Publication Number Publication Date
CN117593244A true CN117593244A (zh) 2024-02-23

Family

ID=89910422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311318982.4A Pending CN117593244A (zh) 2023-10-12 2023-10-12 一种基于改进注意力机制的膜产品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN117593244A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132828A (zh) * 2020-10-15 2020-12-25 浙江工商大学 基于深度学习的薄膜瑕疵检测方法
CN112950547A (zh) * 2021-02-03 2021-06-11 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN114113137A (zh) * 2021-11-10 2022-03-01 佛山科学技术学院 一种薄膜材料的缺陷检测系统及其方法
CN116664491A (zh) * 2023-04-23 2023-08-29 深圳市世宗自动化设备有限公司 软膜电路板缺陷检测方法及相关装置
CN116843645A (zh) * 2023-07-04 2023-10-03 沈阳大学 产品外包装聚丙烯薄膜缺陷检测的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132828A (zh) * 2020-10-15 2020-12-25 浙江工商大学 基于深度学习的薄膜瑕疵检测方法
CN112950547A (zh) * 2021-02-03 2021-06-11 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN114113137A (zh) * 2021-11-10 2022-03-01 佛山科学技术学院 一种薄膜材料的缺陷检测系统及其方法
CN116664491A (zh) * 2023-04-23 2023-08-29 深圳市世宗自动化设备有限公司 软膜电路板缺陷检测方法及相关装置
CN116843645A (zh) * 2023-07-04 2023-10-03 沈阳大学 产品外包装聚丙烯薄膜缺陷检测的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《红外技术》: ""基于YOLOv3的红外行人小目标检测技术研究"", 《红外技术》, 29 February 2020 (2020-02-29), pages 176 - 181 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法

Similar Documents

Publication Publication Date Title
CN111860171B (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN110929795B (zh) 高速焊线机焊点快速识别与定位方法
CN112819748B (zh) 一种带钢表面缺陷识别模型的训练方法及装置
Ma et al. A hierarchical attention detector for bearing surface defect detection
CN115035082B (zh) 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法
CN113963147B (zh) 一种基于语义分割的关键信息提取方法及系统
CN113936195B (zh) 敏感图像识别模型的训练方法、训练装置和电子设备
Makwana et al. PCBSegClassNet—A light-weight network for segmentation and classification of PCB component
CN112001396B (zh) 一种轴承表面形变及文字混合缺陷图像检测方法
CN117036243A (zh) 刨花板表面缺陷检测的方法、装置、设备和存储介质
CN113920494A (zh) 一种基于transformer的车牌字符识别方法
CN116665054A (zh) 一种基于改进YOLOv3的遥感影像小目标检测方法
CN118279272A (zh) 一种基于改进YOLOv8的钢板表面缺陷检测方法
CN113177511A (zh) 基于多数据流的旋转边框智能感知目标检测方法
CN117593244A (zh) 一种基于改进注意力机制的膜产品缺陷检测方法
CN110689447A (zh) 一种基于深度学习的社交软件用户发布内容的实时检测方法
Zhang et al. Small object detection by Edge-aware Neural Network
CN117593514B (zh) 一种基于深层主成分分析辅助的图像目标检测方法及系统
CN118469969A (zh) 泥页岩的有机质孔识别与孔隙参数测定方法及介质
CN118095314A (zh) 一种基于深度学习的充磁标签检测方法
CN118470527A (zh) 基于改进卷积神经网络的桥梁表观病害识别方法及系统
CN112418207A (zh) 一种基于自注意力蒸馏的弱监督文字检测方法
CN117523311A (zh) 一种基于改进YOLOv7的三通管检测方法及系统
Castillo et al. Object Detection in Digital Documents based on Machine Learning Algorithms.

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