CN110530875A - 一种基于深度学习的fpcb外观缺陷自动检测算法 - Google Patents
一种基于深度学习的fpcb外观缺陷自动检测算法 Download PDFInfo
- Publication number
- CN110530875A CN110530875A CN201910806577.4A CN201910806577A CN110530875A CN 110530875 A CN110530875 A CN 110530875A CN 201910806577 A CN201910806577 A CN 201910806577A CN 110530875 A CN110530875 A CN 110530875A
- Authority
- CN
- China
- Prior art keywords
- defect
- fpcb
- deep learning
- detection
- sample
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的FPCB外观缺陷自动检测算法,包括以下步骤:A、在配套机器视觉硬件***基础上,采集缺陷样本彩色RGB图像并根据部件尺寸将样本图像分割为一系列固定大小的单个元件子图;B、在标注前对样本图像进行对比度增强和拉普拉斯锐化以突出缺陷特征。本发明在标注前对图像进行对比度增强及锐化处理突出了缺陷部分,有效降低了数据标注难度,且利用深度学习中的fasterrcnn算法对FPCB进行外观缺陷检测,从原理上规避了传统模板匹配检测技术中柔性电路板的变形及缺陷多样化对检测性能的不利影响,同时,结合FPCB外观检测实际应用场景对fasterrcnn算法进行了改进和优化,提高了缺陷的正检率和检出率。
Description
技术领域
本发明涉及深度学习及工业自动检测技术领域,具体为一种基于深度学习的FPCB外观缺陷自动检测算法。
背景技术
柔性电路板简称FPCB,以质量轻、厚度薄、可自由弯曲等优良性能备受电子行业青睐,国内FPCB产品的质量检测主要依靠人工目测或传统缺陷检测算法,人工目测实时性差、成本高且效率低,随着工业制造领域的无人化智能化和电路板设计的高精度、高密度化,人工目检方式逐渐难以满足生产需求。
传统缺陷检测一般用模式识别方法进行工业缺陷检测,其主要步骤为:①、图像采集:基于一套机器视觉***采集得到含有待测产品的原始图片;②、图像预处理:去除图像噪声,对整张图进行图像分割,得到零件单元子图;③、图像校正配准:根据预处理结果对每张零件子图进行图像位置校准;④、特征提取:基于模式识别算法对步骤③中的图片提取特征,得到图像的纹理特征图;⑤、待检测零件的纹理特征图进行相似度匹配;⑥、根据相似度匹配的结果输出检测结果。
对于柔性电路板产品,实际产线上电路板弯折、变形的情况较为普遍,容易造成定位和模板匹配不准确,进而形成漏检和误检,另外,缺陷类型的多样性复杂性也对传统算法提出了较大挑战,为此,我们提出一种基于深度学习的FPCB外观缺陷自动检测算法。
发明内容
本发明的目的在于提供一种基于深度学习的FPCB外观缺陷自动检测算法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的FPCB外观缺陷自动检测算法,包括以下步骤:
A、在配套机器视觉硬件***基础上,采集缺陷样本彩色RGB图像并根据部件尺寸将样本图像分割为一系列固定大小的单个元件子图;
B、在标注前对样本图像进行对比度增强和拉普拉斯锐化以突出缺陷特征;
C、利用标注软件对步骤B中的元件缺陷样本图像进行标注;
D、对fasterrcnn进行结构改进并基于Detectron框架在GPU或GPU服务器上进行训练;
E、更新和优化训练参数,并统计模型在目标验证集上的误检率及漏检率,根据实际需求综合评估误检率和漏检率得到最优模型,并采用最优模型进行检测;
F、根据检测结果收集误检测样本并加入原有模型进行训练和二次优化,且具体优化过程同步骤E;
G、根据需要重复5若干次,得到用于FPCB外观检测的最终模型并用最终模型进行检测。
优选的,所述步骤A中元件子图的具体大小因元件尺寸和相机分辨率而异,优选为1600*2200。
优选的,所述步骤C中主要是以矩形框的方式标注缺陷左上角和右下角像素坐标以及缺陷所属类别。
优选的,所述步骤D中,主要改进为:①、采用卷积网络Resnet系列+特征金字塔结构作为特征提取网络;②、训练过程使用数据增强技术,按照样本数量1:1地加入水平翻转、垂直翻转、90°旋转、270°旋转、平移、色彩抖动、亮度对比度调整共7种数据增强;③、考虑缺陷外形较极端的情况,在原有anchor长宽比(1:2、1:1、2:1)基础上新增2种长宽比;④、将原有rpn网络的3*3普通卷积改进为3*3空洞卷积。
优选的,所述步骤E中,采用最优模型进行检测时,算法输出缺陷在图片上的具***置和缺陷类别。
与现有技术相比,本发明的有益效果如下:
本发明在标注前对图像进行对比度增强及锐化处理突出了缺陷部分,有效降低了数据标注难度,且利用深度学习中的fasterrcnn算法对FPCB进行外观缺陷检测,从原理上规避了传统模板匹配检测技术中柔性电路板的变形及缺陷多样化对检测性能的不利影响,同时,结合FPCB外观检测实际应用场景对fasterrcnn算法进行了改进和优化,提高了缺陷的正检率和检出率,相比于人工目检,本技术方案更为高效、准确率更高、替换了部分重复机械劳动,在工业制造智能化背景下更有助于推进生产线自动化无人化程度,相比于传统模板匹配技术方案或基于特征的外观检测方案,本技术方案能适应柔性电路板在形变、弯折等缺陷比较复杂情况下的检测,而且能同时对多种缺陷进行识别,缺陷的检出效果更优异。
具体实施方式
下面将结合本发明的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于深度学习的FPCB外观缺陷自动检测算法,包括以下步骤:
A、在配套机器视觉硬件***基础上,采集缺陷样本彩色RGB图像并根据部件尺寸将样本图像分割为一系列固定大小的单个元件子图;
B、在标注前对样本图像进行对比度增强和拉普拉斯锐化以突出缺陷特征,减少人工标注过程的误标注和漏标注;
C、利用标注软件对步骤B中的元件缺陷样本图像进行标注;
D、对fasterrcnn进行结构改进并基于Detectron框架在GPU或GPU服务器上进行训练;
E、更新和优化训练参数,并统计模型在目标验证集上的误检率及漏检率,根据实际需求综合评估误检率和漏检率得到最优模型,并采用最优模型进行检测;
F、根据检测结果收集误检测样本并加入原有模型进行训练和二次优化,且具体优化过程同步骤E;
G、根据需要重复5若干次,得到用于FPCB外观检测的最终模型并用最终模型进行检测。
在标注前对图像进行对比度增强及锐化处理突出了缺陷部分,有效降低了数据标注难度,且利用深度学习中的fasterrcnn算法对FPCB进行外观缺陷检测,从原理上规避了传统模板匹配检测技术中柔性电路板的变形及缺陷多样化对检测性能的不利影响,同时,结合FPCB外观检测实际应用场景对fasterrcnn算法进行了改进和优化,提高了缺陷的正检率和检出率,相比于人工目检,本技术方案更为高效、准确率更高、替换了部分重复机械劳动,在工业制造智能化背景下更有助于推进生产线自动化无人化程度,相比于传统模板匹配技术方案或基于特征的外观检测方案,本技术方案能适应柔性电路板在形变、弯折等缺陷比较复杂情况下的检测,而且能同时对多种缺陷进行识别,缺陷的检出效果更优异。
步骤A中元件子图的具体大小因元件尺寸和相机分辨率而异,优选为1600*2200。
步骤C中主要是以矩形框的方式标注缺陷左上角和右下角像素坐标以及缺陷所属类别。
步骤D中,主要改进为:①、采用卷积网络Resnet系列+特征金字塔结构作为特征提取网络,提高了对于缺陷检测有益的低层简单语义信息在整个特征图中的比例,并且加强了各个层的特征融合,提高了小型缺陷(如亮点、暗点)的检出率;②、训练过程使用数据增强技术,按照样本数量1:1地加入水平翻转、垂直翻转、90°旋转、270°旋转、平移、色彩抖动、亮度对比度调整共7种数据增强,使得模型在缺陷样本数量受限的情况下,高效利用了现有数据,提高了算法泛化性能和对未知样本的稳定性;③、考虑缺陷外形较极端的情况,在原有anchor长宽比(1:2、1:1、2:1)基础上新增2种长宽比,丰富了候选框形态,提高了长条型缺陷的检测效果;④、将原有rpn网络的3*3普通卷积改进为3*3空洞卷积,保持计算量不增加的情况下提高了rpn网络的感受野,提高了模型的性能。
步骤E中,采用最优模型进行检测时,算法输出缺陷在图片上的具***置和缺陷类别。
使用时,在标注前对图像进行对比度增强及锐化处理突出了缺陷部分,有效降低了数据标注难度,且利用深度学习中的fasterrcnn算法对FPCB进行外观缺陷检测,从原理上规避了传统模板匹配检测技术中柔性电路板的变形及缺陷多样化对检测性能的不利影响,同时,结合FPCB外观检测实际应用场景对fasterrcnn算法进行了改进和优化,提高了缺陷的正检率和检出率,相比于人工目检,本技术方案更为高效、准确率更高、替换了部分重复机械劳动,在工业制造智能化背景下更有助于推进生产线自动化无人化程度,相比于传统模板匹配技术方案或基于特征的外观检测方案,本技术方案能适应柔性电路板在形变、弯折等缺陷比较复杂情况下的检测,而且能同时对多种缺陷进行识别,缺陷的检出效果更优异。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于深度学习的FPCB外观缺陷自动检测算法,其特征在于:包括以下步骤:
A、在配套机器视觉硬件***基础上,采集缺陷样本彩色RGB图像并根据部件尺寸将样本图像分割为一系列固定大小的单个元件子图;
B、在标注前对样本图像进行对比度增强和拉普拉斯锐化以突出缺陷特征;
C、利用标注软件对步骤B中的元件缺陷样本图像进行标注;
D、对fasterrcnn进行结构改进并基于Detectron框架在GPU或GPU服务器上进行训练;
E、更新和优化训练参数,并统计模型在目标验证集上的误检率及漏检率,根据实际需求综合评估误检率和漏检率得到最优模型,并采用最优模型进行检测;
F、根据检测结果收集误检测样本并加入原有模型进行训练和二次优化,且具体优化过程同步骤E;
G、根据需要重复5若干次,得到用于FPCB外观检测的最终模型并用最终模型进行检测。
2.根据权利要求1所述的一种基于深度学习的FPCB外观缺陷自动检测算法,其特征在于:所述步骤A中元件子图的具体大小因元件尺寸和相机分辨率而异,优选为1600*2200。
3.根据权利要求1所述的一种基于深度学习的FPCB外观缺陷自动检测算法,其特征在于:所述步骤C中主要是以矩形框的方式标注缺陷左上角和右下角像素坐标以及缺陷所属类别。
4.根据权利要求1所述的一种基于深度学***翻转、垂直翻转、90°旋转、270°旋转、平移、色彩抖动、亮度对比度调整共7种数据增强;③、考虑缺陷外形较极端的情况,在原有anchor长宽比(1:2、1:1、2:1)基础上新增2种长宽比;④、将原有rpn网络的3*3普通卷积改进为3*3空洞卷积。
5.根据权利要求1所述的一种基于深度学习的FPCB外观缺陷自动检测算法,其特征在于:所述步骤E中,采用最优模型进行检测时,算法输出缺陷在图片上的具***置和缺陷类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806577.4A CN110530875A (zh) | 2019-08-29 | 2019-08-29 | 一种基于深度学习的fpcb外观缺陷自动检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806577.4A CN110530875A (zh) | 2019-08-29 | 2019-08-29 | 一种基于深度学习的fpcb外观缺陷自动检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110530875A true CN110530875A (zh) | 2019-12-03 |
Family
ID=68665136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910806577.4A Pending CN110530875A (zh) | 2019-08-29 | 2019-08-29 | 一种基于深度学习的fpcb外观缺陷自动检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530875A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN111524119A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的二维码缺陷检测方法 |
CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
CN111830048A (zh) * | 2020-07-17 | 2020-10-27 | 苏州凌创电子***有限公司 | 一种基于深度学习的汽车喷油嘴缺陷检测设备及其检测方法 |
CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及*** |
WO2021109627A1 (zh) * | 2019-12-03 | 2021-06-10 | 歌尔股份有限公司 | 一种小样本缺陷分类方法、装置及计算设备 |
CN113591965A (zh) * | 2021-07-26 | 2021-11-02 | 格力电器(南京)有限公司 | 一种aoi检测图像处理方法、装置、存储介质及计算机设备 |
CN114113109A (zh) * | 2021-11-26 | 2022-03-01 | 科士恩智能科技(上海)有限公司 | 一种自动化和智能化的汽车仪表台缺陷检测方法 |
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***及其方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测***与方法 |
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109242830A (zh) * | 2018-08-18 | 2019-01-18 | 苏州翔升人工智能科技有限公司 | 一种基于深度学习的机器视觉技术检测方法 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109711295A (zh) * | 2018-12-14 | 2019-05-03 | 北京航空航天大学 | 一种光学遥感图像近岸舰船检测方法 |
CN110097534A (zh) * | 2019-03-04 | 2019-08-06 | 华北电力大学 | 一种基于深度学习的核燃料棒外观缺陷检测方法 |
-
2019
- 2019-08-29 CN CN201910806577.4A patent/CN110530875A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测***与方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109242830A (zh) * | 2018-08-18 | 2019-01-18 | 苏州翔升人工智能科技有限公司 | 一种基于深度学习的机器视觉技术检测方法 |
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109711295A (zh) * | 2018-12-14 | 2019-05-03 | 北京航空航天大学 | 一种光学遥感图像近岸舰船检测方法 |
CN110097534A (zh) * | 2019-03-04 | 2019-08-06 | 华北电力大学 | 一种基于深度学习的核燃料棒外观缺陷检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109627A1 (zh) * | 2019-12-03 | 2021-06-10 | 歌尔股份有限公司 | 一种小样本缺陷分类方法、装置及计算设备 |
US11836967B2 (en) | 2019-12-03 | 2023-12-05 | Goertek, Inc. | Method and device for small sample defect classification and computing equipment |
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN111524119A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的二维码缺陷检测方法 |
CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
CN111652883B (zh) * | 2020-07-14 | 2024-02-13 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
CN111830048A (zh) * | 2020-07-17 | 2020-10-27 | 苏州凌创电子***有限公司 | 一种基于深度学习的汽车喷油嘴缺陷检测设备及其检测方法 |
CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及*** |
CN113591965A (zh) * | 2021-07-26 | 2021-11-02 | 格力电器(南京)有限公司 | 一种aoi检测图像处理方法、装置、存储介质及计算机设备 |
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***及其方法 |
CN114113109A (zh) * | 2021-11-26 | 2022-03-01 | 科士恩智能科技(上海)有限公司 | 一种自动化和智能化的汽车仪表台缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110530875A (zh) | 一种基于深度学习的fpcb外观缺陷自动检测算法 | |
WO2021138995A1 (zh) | 一种棋盘格角点全自动检测方法 | |
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN111612763A (zh) | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 | |
CN107657639A (zh) | 一种快速定位目标的方法和装置 | |
CN108827316A (zh) | 基于改进的Apriltag标签的移动机器人视觉定位方法 | |
CN108573221A (zh) | 一种基于视觉的机器人目标零件显著性检测方法 | |
CN111611643A (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN105574161B (zh) | 一种商标图形要素识别方法、装置和*** | |
CN109284718A (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
CN104517101A (zh) | 一种基于像素平方差匹配的游戏扑克牌识别方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN108022245B (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN110853097A (zh) | 一种应用于饼干表面图案打印设备的饼干识别定位方法 | |
CN110070626A (zh) | 一种基于多视角分类的三维物体检索方法 | |
CN108760751A (zh) | 一种纺织品瑕疵检测方法 | |
CN115184362A (zh) | 一种基于结构光投影的快速缺陷检测方法 | |
CN114863086A (zh) | 一种基于模板匹配的变电站多表盘多指针识别方法 | |
CN110705465B (zh) | 一种基于图像处理的手型分类方法 | |
CN114148103A (zh) | 一种基于神经网络学习的焊膏印刷标记识别方法及*** | |
CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 | |
CN112381747A (zh) | 基于轮廓特征点的太赫兹与可见光图像配准方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |