CN111429431B - 一种基于卷积神经网络的元件定位识别方法 - Google Patents

一种基于卷积神经网络的元件定位识别方法 Download PDF

Info

Publication number
CN111429431B
CN111429431B CN202010212444.7A CN202010212444A CN111429431B CN 111429431 B CN111429431 B CN 111429431B CN 202010212444 A CN202010212444 A CN 202010212444A CN 111429431 B CN111429431 B CN 111429431B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
frame
candidate
candidate frame
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
Application number
CN202010212444.7A
Other languages
English (en)
Other versions
CN111429431A (zh
Inventor
陈玮钰
金智超
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.)
Shenzhen Zhenbang Technology Co ltd
Original Assignee
Shenzhen Zhenbang Technology Co ltd
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 Shenzhen Zhenbang Technology Co ltd filed Critical Shenzhen Zhenbang Technology Co ltd
Priority to CN202010212444.7A priority Critical patent/CN111429431B/zh
Publication of CN111429431A publication Critical patent/CN111429431A/zh
Application granted granted Critical
Publication of CN111429431B publication Critical patent/CN111429431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于PCB元件缺陷检测领域，提供了一种基于卷积神经网络的元件定位识别方法，所述方法包括以下步骤：S1：定义PCB元件种类，框选出PCB图像中每一个元件的位置，并标明元件类型，制作成数据样本，并对数据样本进行扩增形成训练样本；S2：利用数据样本构建卷积神经网络模型；S3：利用训练样本对构建完成的卷积神经网络进行训练；S4：利用训练后的卷积神经网络对包含各种电子元件的图像进行分析，对不同种类电子元件所在位置进行定位。通过构建卷积神经网络，经由训练使得其可以对PCB图像中的元件进行识别及位置确认，输入的PCB图像不需要由人工进行元件框选，而是由卷积神经网络进行框选及识别，减少人力物力，提升自动化程度，提高工作效率。

Description

一种基于卷积神经网络的元件定位识别方法
技术领域
本发明属于PCB元件缺陷检测领域，尤其涉及一种基于卷积神经网络的元件定位识别方法。
背景技术
现有技术中，对PCB的元件的缺陷检测通常采用AOI技术进行元件定位，AOI（Automated Optical Inspection）的中文全称是自动光学检测，是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备，当自动检测时，机器通过摄像头自动扫描PCB，采集图像，测试的焊点与数据库中的合格的参数进行比较，经过图像处理，检查出PCB上缺陷，并通过显示器或自动标志把缺陷显示/标示出来，供维修人员修整。
AOI***需要人工对元件进行框选定位，并手动指定元件的类型。人工框选耗时耗力，且需要人工对元件类型进行定义，框选的图像不一定能被***识别，因此用AOI***对PCB图像进行元件检测自动化程度低，影响工作效率。
发明内容
本发明的目的在于提供一种基于卷积神经网络的元件定位识别方法，旨在解决AOI***对PCB图像中元件定位自动化程度低的问题。
本发明是这样实现的，一种基于卷积神经网络的元件定位识别方法，所述方法包括以下步骤：
S1：定义PCB元件种类，框选出PCB图像中每一个元件的位置，并标明元件类型，制作成数据样本，并对数据样本进行扩增形成训练样本；
S2：利用数据样本构建卷积神经网络模型；
S3：利用训练样本对构建完成的卷积神经网络进行训练；
S4：利用训练后的卷积神经网络对包含各种电子元件的图像进行分析，对不同种类电子元件所在位置进行定位。
本发明的进一步技术方案是：所述步骤S1中数据样本包括正样本及负样本，其中PCB图像中被框选的区域为正样本，未被框选的区域为负样本。
本发明的进一步技术方案是：所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
本发明的进一步技术方案是：所述步骤S2包括以下步骤：
S21：建立由20个卷积层组成的主网络结构；
S22：对卷积层的特征层分别用两个不同的3x3卷积核进行卷积，得出一个输出分类用的置信度及一个输出回归用的坐标值。
本发明的进一步技术方案是：所述步骤S22包括以下步骤：
S22A：***设定IoU值的阈值；
S22B：以特征层上的元件的中心点为中心，生成一系列同心的候选框；
S22C：使用3*3的第一卷积核对每一个候选框进行卷积，得出每一个候选框的置信度；
S22D：使用3*3的第二卷积核对每一个候选框进行卷积，得出每一个候选框的坐标值。
本发明的进一步技术方案是：所述步骤S2还包括以下步骤：
S23：将所有候选框添加进候选框列表，按照置信度值进行排序；
S24：计算置信度最高的候选框与其他候选框的IoU值，与所述步骤S22A中设定的IoU阈值进行比较，如果候选框的IoU值大于阈值，则将其从列表中删除并将置信度最高的候选框添加进输出列表；如果候选框的IoU值未大于阈值，则留在候选框列表中；
S25：当候选框列表中无IoU值大于阈值的候选框时，回到步骤S23；
S26：将输出列表的候选框的置信度及坐标值输出。
本发明的进一步技术方案是：所述步骤S3包括以下步骤：
S31：***将所述训练样本输入构建完成的卷积神经网络；
S32：卷积神经网络所述对训练样本卷积计算，更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
本发明的进一步技术方案是：所述步骤S4包括以下步骤：
S41：将目标PCB图像输入构建完成的卷积神经网络，框选出元件的框选图，并计算出框选图的置信度；
S42：将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较，如果有与框选图置信度相同的候选框，则证明目标PCB图像中含有该元件，卷积神经网络便输出其坐标值及元件类型，如果没有与框选图置信度相同或相近的候选框，则证明目标PCB图像没有该元件，卷积神经网络便不输出。
本发明的有益效果是：通过构建卷积神经网络，经由训练使得其可以对PCB图像中的元件进行识别及位置确认，输入的PCB图像不需要由人工进行元件框选，而是由卷积神经网络进行框选及识别，大大减少了人力物力，提升了自动化程度，提高了工作效率。
附图说明
图1是本发明的总流程图；
图2是本发明的步骤S2的流程图；
图3是本发明的步骤S22的流程图；
图4是本发明的步骤S3的流程图；
图5是本发明的步骤S4的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
图1示出了本发明提供的一种基于卷积神经网络的元件定位识别方法，所述方法包括以下步骤：
S1：定义PCB元件种类，框选出PCB图像中每一个元件的位置，并标明元件类型，制作成数据样本，并对数据样本进行扩增形成训练样本；
S2：利用数据样本构建卷积神经网络模型；
S3：利用训练样本对构建完成的卷积神经网络进行训练；
S4：利用训练后的卷积神经网络对包含各种电子元件的图像进行分析，对不同种类电子元件所在位置进行定位。
优先地，所述步骤S1中数据样本包括正样本及负样本，其中PCB图像中被框选的区域为正样本，未被框选的区域为负样本。
优先地，所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
优先地，所述步骤S2包括以下步骤：
S21：建立由20个卷积层组成的主网络结构；
S22：对卷积层的特征层分别用两个不同的3x3卷积核进行卷积，得出一个输出分类用的置信度及一个输出回归用的坐标值。
优先地，所述步骤S22包括以下步骤：
S22A：***设定IoU值的阈值；
S22B：以特征层上的元件的中心点为中心，生成一系列同心的候选框；
S22C：使用3*3的第一卷积核对每一个候选框进行卷积，得出每一个候选框的置信度；
S22D：使用3*3的第二卷积核对每一个候选框进行卷积，得出每一个候选框的坐标值。
优先地，所述步骤S2还包括以下步骤：
S23：将所有候选框添加进候选框列表，按照置信度值进行排序；
S24：计算置信度最高的候选框与其他候选框的IoU值，与所述步骤S22A中设定的IoU阈值进行比较，如果候选框的IoU值大于阈值，则将其从列表中删除并将置信度最高的候选框添加进输出列表；如果候选框的IoU值未大于阈值，则留在候选框列表中；
S25：当候选框列表中无IoU值大于阈值的候选框时，回到步骤S23；
S26：将输出列表的候选框的置信度及坐标值输出。
优先地，所述步骤S3包括以下步骤：
S31：***将所述训练样本输入构建完成的卷积神经网络；
S32：卷积神经网络所述对训练样本卷积计算，更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
优先地，所述步骤S4包括以下步骤：
S41：将目标PCB图像输入构建完成的卷积神经网络，框选出元件的框选图，并计算出框选图的置信度；
S42：将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较，如果有与框选图置信度相同的候选框，则证明目标PCB图像中含有该元件，卷积神经网络便输出其坐标值及元件类型，如果没有与框选图置信度相同或相近的候选框，则证明目标PCB图像没有该元件，卷积神经网络便不输出。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，即操作者可以通过大量数据样本对卷积神经网络进行训练，使其可以对图像中的某一具象形成记忆，当用于检测识别时，若图中具象的置信度与神经网络记忆中具象的置信度一致或相近时，便可以大概率识别出图中是否含有该具象。本发明就是利用卷积神经网络这一特性，将其用于PCB图像中元件的识别方面。
本发明先将PCB图像中的元件框选出来，并标明每个元件的类型，制作成数据样本，其中被框选的图像作为正样本，未框选的图像作为负样本，正样本和负样本是参与训练的数据，用于训练得出分类检测模型，其中需要包含各种类型元件的至少1000张PCB图像。再对这些数据样本进行扩增，形成训练样本，扩增方法包括图像翻转、随机剪裁及高斯噪声。
接着将数据样本输入卷积神经网络的主网络，主网络结构包含20个卷积层，对其中5种不同的特征层分别用两个不同的3x3卷积核进行卷积。在卷积操作之前，操作人员需要在主网络中设置IoU阈值，IoU值是交并比，是指候选框与目标框的交叠率，即它们的交集与并集的比值，用于后续筛选候选框；接着神经网络会以元件的中心点为中心，生成一系列同心的候选框。接着用第一卷积核得出这些候选框的置信度，用第二卷积核得出这些候选框的坐标值。
接下来，将这些候选框添加进候选框列表，按照置信度值进行排序，将置信度最高的候选框挑出来，计算与其他候选框的IoU值，并与先前操作人员设置的IoU阈值相比较，如果候选框的IoU值未大于阈值，则留在候选框列表中；若某一候选框大于阈值，则将该候选框删除并将置信度最高的候选框添加进输出列表，此时从候选框列表中重新选出置信度最高的候选框，计算IoU值并与阈值比较。如此重复以上操作，则在最终的输出列表中就会存在该元件置信度高的候选框信息，包括候选框的置信度，坐标值及元件类型。
当卷积神经网络构建完成后，则可以将训练样本导入其中，这些训练样本经过上述的操作后，则会更新最终输出列表中的候选框数据，使得输出列表中的数据信息更加准确，随后识别检测时错误率更低。
在元件识别检测时，将PCB图像输入构建完成的卷积神经网络中，它会自动框选出各个元件的候选框，经过卷积操作后得出置信度，与更新完成的输出列表中的候选框的置信度进行比对，如若有相同或相近的置信度候选框，则卷积神经网络认为该图像中有极大概率含有该元件，便输出该元件的类型及坐标值，如若没有相同或相近的置信度候选框，则不输出。基于此，操作人员将待识别的PCB图像输入卷积神经网络后，最终在图像上便会输出元件的类型及位置，实现了自动定位识别，既节省了人力物力的消耗，又提高了识别的准确率及生产工作的效率，也加快编辑时间。
以上所述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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于卷积神经网络的元件定位识别方法，其特征在于，所述方法包括以下步骤：
S1：定义PCB元件种类，框选出PCB图像中每一个元件的位置，并标明元件类型，制作成数据样本，并对数据样本进行扩增形成训练样本；
S2：利用数据样本构建卷积神经网络模型；
S3：利用训练样本对构建完成的卷积神经网络进行训练；
S4：利用训练后的卷积神经网络对包含各种电子元件的图像进行分析，对不同种类电子元件所在位置进行定位；
所述步骤S2包括以下步骤：
S21：建立由20个卷积层组成的主网络结构；
S22：对卷积层的特征层分别用两个不同的3x3卷积核进行卷积，得出一个输出分类用的置信度及一个输出回归用的坐标值；
所述步骤S22包括以下步骤：
S22A：***设定IoU值的阈值；
S22B：以特征层上的元件的中心点为中心，生成一系列同心的候选框；
S22C：使用3*3的第一卷积核对每一个候选框进行卷积，得出每一个候选框的置信度；
S22D：使用3*3的第二卷积核对每一个候选框进行卷积，得出每一个候选框的坐标值；
所述步骤S2还包括以下步骤：
S23：将所有候选框添加进候选框列表，按照置信度值进行排序；
S24：计算置信度最高的候选框与其他候选框的IoU值，与所述步骤S22A中设定的IoU阈值进行比较，如果候选框的IoU值大于阈值，则将其从列表中删除并将置信度最高的候选框添加进输出列表；如果候选框的IoU值未大于阈值，则留在候选框列表中；
S25：当候选框列表中无IoU值大于阈值的候选框时，回到步骤S23；
S26：将输出列表的候选框的置信度及坐标值输出。
2.根据权利要求1所述的一种基于卷积神经网络的元件定位识别方法，其特征在于，所述步骤S1中数据样本包括正样本及负样本，其中PCB图像中被框选的区域为正样本，未被框选的区域为负样本。
3.根据权利要求2所述的一种基于卷积神经网络的元件定位识别方法，其特征在于，所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
4.根据权利要求1所述的一种基于卷积神经网络的元件定位识别方法，其特征在于，所述步骤S3包括以下步骤：
S31：***将所述训练样本输入构建完成的卷积神经网络；
S32：卷积神经网络对所述训练样本卷积计算，更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
5.根据权利要求4所述的一种基于卷积神经网络的元件定位识别方法，其特征在于，所述步骤S4包括以下步骤：
S41：将目标PCB图像输入构建完成的卷积神经网络，框选出元件的框选图，并计算出框选图的置信度；
S42：将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较，如果有与框选图置信度相同的候选框，则证明目标PCB图像中含有该元件，卷积神经网络便输出其坐标值及元件类型，如果没有与框选图置信度相同或相近的候选框，则证明目标PCB图像没有该元件，卷积神经网络便不输出。
CN202010212444.7A 2020-03-24 2020-03-24 一种基于卷积神经网络的元件定位识别方法 Active CN111429431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010212444.7A CN111429431B (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的元件定位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010212444.7A CN111429431B (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的元件定位识别方法

Publications (2)

Publication Number Publication Date
CN111429431A CN111429431A (zh) 2020-07-17
CN111429431B true CN111429431B (zh) 2023-09-19

Family

ID=71555435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010212444.7A Active CN111429431B (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的元件定位识别方法

Country Status (1)

Country Link
CN (1) CN111429431B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112643618A (zh) * 2020-12-21 2021-04-13 东风汽车集团有限公司 一种柔性发动机仓储工装的智能调节装置及方法
CN113030121B (zh) * 2021-03-11 2024-02-13 微讯智造(广州)电子有限公司 用于电路板元器件的自动光学检测方法、***、及设备
CN113674207B (zh) * 2021-07-21 2023-04-07 电子科技大学 一种基于图卷积神经网络的pcb元器件自动定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109344753A (zh) * 2018-09-21 2019-02-15 福州大学 一种基于深度学习的航拍图像输电线路细小金具识别方法
CN109409517A (zh) * 2018-09-30 2019-03-01 北京字节跳动网络技术有限公司 物体检测网络的训练方法和装置
CN109859207A (zh) * 2019-03-06 2019-06-07 华南理工大学 一种高密度柔性基板的缺陷检测方法
CN110717456A (zh) * 2019-10-10 2020-01-21 北京百度网讯科技有限公司 对象监控方法和装置、***、电子设备、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889421A (zh) * 2018-09-07 2020-03-17 杭州海康威视数字技术股份有限公司 目标物检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109344753A (zh) * 2018-09-21 2019-02-15 福州大学 一种基于深度学习的航拍图像输电线路细小金具识别方法
CN109409517A (zh) * 2018-09-30 2019-03-01 北京字节跳动网络技术有限公司 物体检测网络的训练方法和装置
CN109859207A (zh) * 2019-03-06 2019-06-07 华南理工大学 一种高密度柔性基板的缺陷检测方法
CN110717456A (zh) * 2019-10-10 2020-01-21 北京百度网讯科技有限公司 对象监控方法和装置、***、电子设备、存储介质

Also Published As

Publication number Publication date
CN111429431A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN110533084B (zh) 一种基于自注意力机制的多尺度目标检测方法
CN111429431B (zh) 一种基于卷积神经网络的元件定位识别方法
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN109683360B (zh) 液晶面板缺陷检测方法及装置
CN111783772A (zh) 一种基于RP-ResNet网络的抓取检测方法
CN110717881A (zh) 晶圆缺陷识别方法、装置、存储介质和终端设备
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN106169080A (zh) 一种基于图像的燃气指数自动识别方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和***
CN113239818B (zh) 基于分割和图卷积神经网络的表格跨模态信息提取方法
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及***
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN113012153A (zh) 一种铝型材瑕疵检测方法
CN112435222A (zh) 一种电路板检测方法、装置及计算机可读存储介质
CN115294063A (zh) 电子元件的缺陷检测方法、装置、***、电子设备及介质
CN114429445A (zh) 一种基于MAIRNet的PCB缺陷检测与识别方法
CN115546586A (zh) 红外弱小目标的检测方法、装置、计算设备及存储介质
CN114359932B (zh) 文本检测方法、文本识别方法及装置
CN114092448B (zh) 一种基于深度学习的插件电解电容混合检测方法
CN111539931A (zh) 一种基于卷积神经网络和边界限定优化的外观异常检测方法
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及***
CN114299040A (zh) 瓷砖瑕疵检测方法、装置和电子设备
CN114494441B (zh) 基于深度学习的葡萄及其采摘点同步识别定位方法、装置
CN110956174A (zh) 一种器件编号的识别方法
CN113628113B (zh) 一种图像拼接方法及其相关设备

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