CN109859164A - 一种通过快速型卷积神经网络对pcba外观检验的方法 - Google Patents
一种通过快速型卷积神经网络对pcba外观检验的方法 Download PDFInfo
- Publication number
- CN109859164A CN109859164A CN201811573791.1A CN201811573791A CN109859164A CN 109859164 A CN109859164 A CN 109859164A CN 201811573791 A CN201811573791 A CN 201811573791A CN 109859164 A CN109859164 A CN 109859164A
- Authority
- CN
- China
- Prior art keywords
- pcba
- image
- nameplate
- classification
- standard form
- 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
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003466 welding Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005476 soldering Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明提供了一种通过快速型卷积神经网络对PCBA外观检验的方法，其减少了不匹配特征点的数量，提高了图像匹配速度，提高零件的识别速度，提高整个PCBA外观检验的效率。预先收集每个型号的PCBA所对应的标准模板，同时将标准模板上所对应的零件的清单信息及位置，同时对标准模板图像上的所有零件进行标注，生成对应型号的PCBA所有零件位置和种类信息的xml文件，同时在Pytorch框架下搭建MobileNet图像分类网络，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素图像通过卷积、池化、全连接和Softmax分类器分类，最终输出小像素图像作为对应零件的样本图像，从若干个标准模板图像中获取涵盖检测零件的所有样本图像，构成数据集，将数据集输入MobileNet图像分类网络中。
Description
技术领域
本发明涉及PCBA外观检验的技术领域，具体为一种通过快速型卷积神经网络对PCBA外观检验的方法。
背景技术
现有的通过卷积神经网络对PCBA外观进行检验时，需要对所获取的原图整体进行特征点搜索，其不匹配的特征点数量多，进而使得模型中的冗余信息多，使得零件识别速度低，进而使得整个PCBA的外观检验效率低。
发明内容
针对上述问题，本发明提供了一种通过快速型卷积神经网络对PCBA外观检验的方法，其减少了不匹配特征点的数量，提高了图像匹配速度，使得模型中的冗余信息少，提高零件的识别速度，提高整个PCBA外观检验的效率。
一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：预先收集每个型号的PCBA所对应的标准模板，同时将标准模板上所对应的零件的清单信息及位置，同时对标准模板图像上的所有零件进行标注，生成对应型号的PCBA所有零件位置和种类信息的xml文件，同时在Pytorch框架下搭建MobileNet图像分类网络，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素图像通过卷积、池化、全连接和Softmax分类器分类，最终输出小像素图像作为对应零件的样本图像，从若干个标准模板图像中获取涵盖检测零件的所有样本图像，构成数据集，将数据集输入MobileNet图像分类网络中；将待检测的PCBA所获得的图像分割出PCBA的铭牌区域，通过字符识别获得PCBA对应的铭牌编号，对待检测PCBA图像和标准模板图像进行图像配准，在实时缺陷检测中调用步骤铭牌编号所对应的型号的xml文件，通过调用xml中的位置信息分割所得到的配准图像上的所有零件，之后将待检测PCBA图像上分割出的零件依次输入模型进行预测，得到PCBA上所有位置零件的种类，与对应型号的标准模板图像对应位置的零件种类进行对比，若对应位置的零件种类不一致，说明该位置零件焊接错误，输出焊接错误的位置和正确的焊接零件。
其进一步特征在于；
将待检测的PCBA所获得的图像分割出PCBA的铭牌区域之前预先将图像从RGB色彩空间转到HSV色彩空间，设置颜色阈值范围，对PCBA进行颜色分割，使之与背景图像分离；之后重新设置颜色阈值范围，分割PCBA的铭牌区域；
PCBA的铭牌区域被分割出来后，利用Canny检测铭牌区域边缘，采用hough算法检测边缘的直线，依据直线的斜率判断铭牌的走向，将斜向铭牌旋转相应的角度至水平方向；之后搜索铭牌图像所有的连通区域，再依据图像中所标记连通区域的形状和近邻位置特征筛选、合并连通区域来定位单个字符；
系统自带离线训练字符识别SVM分类器，输入图像的大小为64×64，输出为一个1×1×ClassNum的矩阵，矩阵的每个元素表示输入图像属于某一类别字符的概率，最大概率对应的类别即表示输入图像所属的类别；将铭牌图像中搜索得到的字符依次输入SVM分类器中，将识别结果组合成字符串，得到PCBA的铭牌编号；
在Pytorch框架下搭建MobileNet图像分类网络时，展示若干层MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终小像素输出尺寸，输出的每一维都是输入图像属于该类别的概率，其最大概率所属类别为预测类别；
将数据集输入MobileNet图像分类网络中，其初始化学习率为0.001，每30个epoch学习率下降10倍，用梯度下降算法作为优化算法，迭代5000次；
数据集中的数据分为若干类，将数据集分成训练集和验证集和测试集三个部分，分别占数据集的60％，30％和10％。
采用本发明后，针对PCBA外观的特殊性通过优化传统卷积神经网络算法在保证准确度的同时提高了PCBA视觉外观检测的速度，可以连续进行PCBA外观检测，在提供了一种高准确度的方案同时也保证了一定的速度，提高了PCBA外观检测的效率，降低了产品的生产成本及故障率；其减少了不匹配特征点的数量，提高了图像匹配速度，使得模型中的冗余信息少，提高零件的识别速度，提高整个PCBA外观检验的效率。
附图说明
图1为本发明的流程框架图。
具体实施方式
一种通过快速型卷积神经网络对PCBA外观检验的方法，见图1，预先收集每个型号的PCBA所对应的标准模板，同时将标准模板上所对应的零件的清单信息及位置，同时对标准模板图像上的所有零件进行标注，生成对应型号的PCBA所有零件位置和种类信息的xml文件，同时在Pytorch框架下搭建MobileNet图像分类网络，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素图像通过卷积、池化、全连接和Softmax分类器分类，最终输出小像素图像作为对应零件的样本图像，从若干个标准模板图像中获取涵盖检测零件的所有样本图像，构成数据集，将数据集输入MobileNet图像分类网络中.
将待检测的PCBA所获得的图像分割出PCBA的铭牌区域，通过字符识别获得PCBA对应的铭牌编号，对待检测PCBA图像和标准模板图像进行图像配准，在实时缺陷检测中调用步骤铭牌编号所对应的型号的xml文件，通过调用xml中的位置信息分割所得到的配准图像上的所有零件，之后将待检测PCBA图像上分割出的零件依次输入模型进行预测，得到PCBA上所有位置零件的种类，与对应型号的标准模板图像对应位置的零件种类进行对比，若对应位置的零件种类不一致，说明该位置零件焊接错误，输出焊接错误的位置和正确的焊接零件。
将待检测的PCBA所获得的图像分割出PCBA的铭牌区域之前预先将图像从RGB色彩空间转到HSV色彩空间，设置颜色阈值范围，对PCBA进行颜色分割，使之与背景图像分离；之后重新设置颜色阈值范围，分割PCBA的铭牌区域；
PCBA的铭牌区域被分割出来后，利用Canny检测铭牌区域边缘，采用hough算法检测边缘的直线，依据直线的斜率判断铭牌的走向，将斜向铭牌旋转相应的角度至水平方向；之后搜索铭牌图像所有的连通区域，再依据图像中所标记连通区域的形状和近邻位置特征筛选、合并连通区域来定位单个字符；
系统自带离线训练字符识别SVM分类器，输入图像的大小为64×64，输出为一个1×1×ClassNum的矩阵，矩阵的每个元素表示输入图像属于某一类别字符的概率，最大概率对应的类别即表示输入图像所属的类别；将铭牌图像中搜索得到的字符依次输入SVM分类器中，将识别结果组合成字符串，得到PCBA的铭牌编号；
在Pytorch框架下搭建MobileNet图像分类网络时，展示若干层MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终小像素输出尺寸，输出的每一维都是输入图像属于该类别的概率，其最大概率所属类别为预测类别；
将数据集输入MobileNet图像分类网络中，其初始化学习率为0.001，每30个epoch学习率下降10倍，用梯度下降算法作为优化算法，迭代5000次；
数据集中的数据分为若干类，将数据集分成训练集和验证集和测试集三个部分，分别占数据集的60％，30％和10％；
对实时拍摄的待检测的PCBA图像与模板图像进行图像配准，图像配准流程如下：
a分别对得到的剔除背景区域的PCBA图像和模板图像进行surf特征点检测；b通过相似度量找到匹配的特征点；c通过匹配的特征点对得到图像空间变换参数；d由坐标变换参数进行图像配准。
具体实施例中，MobileNet图像分类网络，在下表中，具体展示了28层的MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络。将输入时的224×224×3的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终输出尺寸为1×1×8，输出的每一维都是输入图像属于该类别的概率，其最大概率所属类别为预测类别。
数据集中的数据包括二极管、电容1、无零件、电阻、电容2、排阻、无零件2、三极管的8类。
其具体操作步骤如下：
步骤1，将图像从RGB色彩空间转到HSV色彩空间，设置颜色阈值范围，对PCBA进行颜色分割，使之与背景图像分离；
步骤2，重新设置颜色阈值范围，分割PCBA的铭牌区域，利用Canny检测铭牌区域边缘，采用hough算法检测边缘的直线，依据直线的斜率判断铭牌的走向，将斜向铭牌旋转相应的角度至水平方向；
步骤3，搜索步骤2中铭牌图像所有的连通区域，再依据图像中所标记连通区域的形状和近邻位置特征筛选、合并连通区域来定位单个字符；
步骤4，步骤3中搜索得到的字符依次输入SVM分类器中，将识别结果组合成字符串，得到PCBA的铭牌编号。
步骤5，对实时拍摄的PCBA图像与对应型号的没有焊接错误的标准模板图像进行图像配准，其配准流程如下：a分别对步骤1中得到的剔除背景区域的PCBA图像和模板图像进行surf特征点检测；b通过相似度量找到匹配的特征点；c通过匹配的特征点对得到图像空间变换参数；d由坐标变换参数进行图像配准；
步骤6，在实时缺陷检测系统中调用系统预先存储的xml文件，解析xml文件，利用零件位置信息分割步骤5得到的配准图像上的所有零件。
实时调用MobileNet图像分类网络训练好的模型，将步骤6中从PCBA图像上分割出的零件依次输入模型进行预测，得到PCBA上所有位置零件的种类，与对应型号的模板图像对应位置的零件种类进行对比，若对应位置的零件种类不一致，说明该位置零件焊接错误，输出焊接错误的位置和正确的焊接零件。
文中，Canny是John F.Canny于1986年开发出来的一个多级边缘检测算法；
hough算法是一种使用表决原理的参数估计技术。
以上对本发明的具体实施例进行了详细说明，但内容仅为本发明创造的较佳实施例，不能被认为用于限定本发明创造的实施范围。凡依本发明创造申请范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (7)
1.一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：预先收集每个型号的PCBA所对应的标准模板，同时将标准模板上所对应的零件的清单信息及位置，同时对标准模板图像上的所有零件进行标注，生成对应型号的PCBA所有零件位置和种类信息的xml文件，同时在Pytorch框架下搭建MobileNet图像分类网络，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素图像通过卷积、池化、全连接和Softmax分类器分类，最终输出小像素图像作为对应零件的样本图像，从若干个标准模板图像中获取涵盖检测零件的所有样本图像，构成数据集，将数据集输入MobileNet图像分类网络中；将待检测的PCBA所获得的图像分割出PCBA的铭牌区域，通过字符识别获得PCBA对应的铭牌编号，对待检测PCBA图像和标准模板图像进行图像配准，在实时缺陷检测中调用步骤铭牌编号所对应的型号的xml文件，通过调用xml中的位置信息分割所得到的配准图像上的所有零件，之后将待检测PCBA图像上分割出的零件依次输入模型进行预测，得到PCBA上所有位置零件的种类，与对应型号的标准模板图像对应位置的零件种类进行对比，若对应位置的零件种类不一致，说明该位置零件焊接错误，输出焊接错误的位置和正确的焊接零件。
2.如权利要求1所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：将待检测的PCBA所获得的图像分割出PCBA的铭牌区域之前预先将图像从RGB色彩空间转到HSV色彩空间，设置颜色阈值范围，对PCBA进行颜色分割，使之与背景图像分离；之后重新设置颜色阈值范围，分割PCBA的铭牌区域。
3.如权利要求2所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：PCBA的铭牌区域被分割出来后，利用Canny检测铭牌区域边缘，采用hough算法检测边缘的直线，依据直线的斜率判断铭牌的走向，将斜向铭牌旋转相应的角度至水平方向；之后搜索铭牌图像所有的连通区域，再依据图像中所标记连通区域的形状和近邻位置特征筛选、合并连通区域来定位单个字符。
4.如权利要求3所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：系统自带离线训练字符识别SVM分类器，输入图像的大小为64×64，输出为一个1×1×ClassNum的矩阵，矩阵的每个元素表示输入图像属于某一类别字符的概率，最大概率对应的类别即表示输入图像所属的类别；将铭牌图像中搜索得到的字符依次输入SVM分类器中，将识别结果组合成字符串，得到PCBA的铭牌编号。
5.如权利要求1所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：在Pytorch框架下搭建MobileNet图像分类网络时，展示若干层MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络，将输入时的大像素的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终小像素输出尺寸，输出的每一维都是输入图像属于该类别的概率，其最大概率所属类别为预测类别。
6.如权利要求5所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：将数据集输入MobileNet图像分类网络中，其初始化学习率为0.001，每30个epoch学习率下降10倍，用梯度下降算法作为优化算法，迭代5000次。
7.如权利要求6所述的一种通过快速型卷积神经网络对PCBA外观检验的方法，其特征在于：数据集中的数据分为若干类，将数据集分成训练集和验证集和测试集三个部分，分别占数据集的60％，30％和10％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573791.1A CN109859164B (zh) | 2018-12-21 | 2018-12-21 | 一种通过快速型卷积神经网络对pcba外观检验的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573791.1A CN109859164B (zh) | 2018-12-21 | 2018-12-21 | 一种通过快速型卷积神经网络对pcba外观检验的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859164A true CN109859164A (zh) | 2019-06-07 |
| CN109859164B CN109859164B (zh) | 2023-08-01 |
Family
ID=66891897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811573791.1A Active CN109859164B (zh) | 2018-12-21 | 2018-12-21 | 一种通过快速型卷积神经网络对pcba外观检验的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859164B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
| CN110865087A (zh) * | 2019-11-27 | 2020-03-06 | 科士恩科技(上海)有限公司 | 一种基于人工智能的pcba质量检测方法 |
| CN111161210A (zh) * | 2019-12-02 | 2020-05-15 | 国网浙江省电力有限公司 | 一种检测电表照片中的小部件的方法 |
| CN111242070A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 目标物体检测方法、计算机设备和存储介质 |
| CN111914508A (zh) * | 2020-08-19 | 2020-11-10 | 创新奇智(南京)科技有限公司 | 元器件检测方法、装置、电子设备及可读存储介质 |
| CN111929239A (zh) * | 2020-07-20 | 2020-11-13 | 浙江四点灵机器人股份有限公司 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
| CN111951253A (zh) * | 2020-05-19 | 2020-11-17 | 惠州高视科技有限公司 | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 |
| CN111951263A (zh) * | 2020-08-26 | 2020-11-17 | 桂林电子科技大学 | 一种基于卷积神经网络的机械零件图纸检索方法 |
| CN113033547A (zh) * | 2021-02-27 | 2021-06-25 | 北京工业大学 | 一种基于MobileNetV2的焊接状态分类方法 |
| CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
| WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513046A (zh) * | 2015-11-23 | 2016-04-20 | 广州视源电子科技股份有限公司 | 电子元件极性的识别方法和系统、标注方法和系统 |
| CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
| US20180247113A1 (en) * | 2016-10-10 | 2018-08-30 | Gyrfalcon Technology Inc. | Image Classification Systems Based On CNN Based IC and Light-Weight Classifier |
-
2018
- 2018-12-21 CN CN201811573791.1A patent/CN109859164B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513046A (zh) * | 2015-11-23 | 2016-04-20 | 广州视源电子科技股份有限公司 | 电子元件极性的识别方法和系统、标注方法和系统 |
| US20180247113A1 (en) * | 2016-10-10 | 2018-08-30 | Gyrfalcon Technology Inc. | Image Classification Systems Based On CNN Based IC and Light-Weight Classifier |
| CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
| CN110865087A (zh) * | 2019-11-27 | 2020-03-06 | 科士恩科技(上海)有限公司 | 一种基于人工智能的pcba质量检测方法 |
| CN111161210A (zh) * | 2019-12-02 | 2020-05-15 | 国网浙江省电力有限公司 | 一种检测电表照片中的小部件的方法 |
| CN111242070A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 目标物体检测方法、计算机设备和存储介质 |
| CN111951253A (zh) * | 2020-05-19 | 2020-11-17 | 惠州高视科技有限公司 | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 |
| CN111951253B (zh) * | 2020-05-19 | 2021-08-20 | 高视科技(苏州)有限公司 | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 |
| CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
| CN111929239A (zh) * | 2020-07-20 | 2020-11-13 | 浙江四点灵机器人股份有限公司 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
| CN111914508A (zh) * | 2020-08-19 | 2020-11-10 | 创新奇智(南京)科技有限公司 | 元器件检测方法、装置、电子设备及可读存储介质 |
| CN111951263A (zh) * | 2020-08-26 | 2020-11-17 | 桂林电子科技大学 | 一种基于卷积神经网络的机械零件图纸检索方法 |
| CN113033547A (zh) * | 2021-02-27 | 2021-06-25 | 北京工业大学 | 一种基于MobileNetV2的焊接状态分类方法 |
| CN113033547B (zh) * | 2021-02-27 | 2024-07-16 | 北京工业大学 | 一种基于MobileNetV2的焊接状态分类方法 |
| WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859164B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859164A (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
| CN110287960B (zh) | 自然场景图像中曲线文字的检测识别方法 | |
| CN108548820B (zh) | 化妆品纸质标签缺陷检测方法 | |
| CN107506763B (zh) | 一种基于卷积神经网络的多尺度车牌精准定位方法 | |
| CN110059558A (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
| US7120318B2 (en) | Automatic document reading system for technical drawings | |
| CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
| WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
| CN113724231A (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 | |
| US20070058856A1 (en) | Character recoginition in video data | |
| Park et al. | MarsNet: Multi-label classification network for images of various sizes | |
| CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
| CN107909081A (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
| CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
| TWI669519B (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
| CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
| KR102602167B1 (ko) | 딥러닝 기반의 mlcc 적층 얼라인먼트 검사 시스템 및 방법 | |
| CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
| CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
| CN111553422A (zh) | 手术器械自动识别回收方法及系统 | |
| CN110517312A (zh) | 基于深度学习的缝隙定位方法、装置和存储介质 | |
| CN109934216A (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
| CN116678888A (zh) | 一种构件缺陷检测方法和装置 | |
| CN112418262A (zh) | 车辆再识别的方法、客户端及系统 | |
| CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 |
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 |