CN116343213A - 模型训练及芯片的字符识别方法、装置、设备和介质 - Google Patents

模型训练及芯片的字符识别方法、装置、设备和介质 Download PDF

Info

Publication number
CN116343213A
CN116343213A CN202310633652.8A CN202310633652A CN116343213A CN 116343213 A CN116343213 A CN 116343213A CN 202310633652 A CN202310633652 A CN 202310633652A CN 116343213 A CN116343213 A CN 116343213A
Authority
CN
China
Prior art keywords
image
character
images
smd
character recognition
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
Application number
CN202310633652.8A
Other languages
English (en)
Other versions
CN116343213B (zh
Inventor
请求不公布姓名
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian 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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202310633652.8A priority Critical patent/CN116343213B/zh
Publication of CN116343213A publication Critical patent/CN116343213A/zh
Application granted granted Critical
Publication of CN116343213B publication Critical patent/CN116343213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/1431—Illumination control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种模型训练及芯片的字符识别方法、装置、设备和介质，涉及芯片字符识别领域。该方法一方面，通过人工智能模型识别的方法，相较于现有的模板匹配方法，不需要提前做模板，提高了识别效率；另一方面，在此基础上，考虑到生产线上的SMD芯片由于金属引脚反光可能导致拍摄的SMD芯片的图像质量参差不齐，在对模型训练时，通过在背景图像上合成同一光源下不同照射角度所拍摄的SMD芯片的图像和同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，实现样本增强，从而达到提高通过模型识别SMD芯片的字符识别和字符缺陷识别的准确率的效果。

Description

模型训练及芯片的字符识别方法、装置、设备和介质
技术领域
本申请涉及芯片字符识别技术领域，尤其涉及一种模型训练及芯片的字符识别方法、装置、设备和介质。
背景技术
SMD芯片是指SMD封装的芯片，SMD（Surface Mount Device）封装是指将元件的芯片直接焊接在电路板的表面上，元件的引脚不会穿过电路板，而是在电路板表面上形成一个网状引脚，焊接在电路板上，这种封装方式也称为表面贴装（Surface Mount）。芯片表面的制造商、产品的规格型号参数等字符构成的信息，对于使用者来说十分重要，现有方法中，对SMD芯片上的字符缺陷识别，采用模板匹配的方法，其识别效率较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请实施例提供了一种模型训练及芯片的字符识别方法、装置、设备和介质，解决了现有方法中针对SMD芯片的字符缺陷识别效率低的技术问题。
一方面，本申请实施例提供了一种芯片的字符识别方法，用于SMD芯片生产线的计算机设备，包括：
接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
输出所述字符识别结果。
可选地，所述SMD芯片生产线上设置有用于照射SMD芯片的光源，所述光源位置设置有起振片，用于采集图像的工业相机镜头前设置有偏振片；
所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
控制设置有起振片的所述光源对所述SMD芯片生产线上的目标SMD芯片进行照射；
控制设置有偏振片的所述工业相机镜头，对光源照射下的所述目标SMD芯片进行拍摄，以获得所述目标图像。
可以理解的是，在识别过程中，图像采集的时候尽可能的提高字符与背景的对比度，是进一步提高识别准确率的手段之一。前述实施例中虽然已经进行样本图像增强，但是在此基础上，在对目标图像进行采集时，尽可能提高目标图像的质量，也是从另一个角度提高识别准确率的方法。
可选地，所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
获取原始样本集和增强样本集；所述增强样本集包括若干构造样本图像，所述构造样本图像由所述背景图像和若干所述字符图像合成；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
可以理解的是，提前进行模型识别，可以提高后续字符识别的效率。
可选地，所述获取所述原始样本集和所述增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
可以理解的是，在SMD芯片生产线上进行图像拍摄时，都需要工业光源进行照射，光源一般布置在芯片的正上方，通过螺纹丝杆可调节光源距SMD芯片的距离，从而使得在清楚照明SMD芯片的基础上，以期拍摄得到字符清楚的照片。但是由于SMD芯片金属引脚反光，且SMD芯片的位姿不同，或者引脚的表面形状稍有不同，其反光的效果和方向可以差距很大，可能导致拍摄的SMD芯片的图像质量参差不齐。因此，本实施例中通过合成同一光源下不同照射角度所拍摄的SMD芯片的图像以及同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，来充分模拟由于光源角度的偏差、SMD芯片位姿以及引脚的差异导致可能出现的不同反光效果，从而提高模型对SMD芯片的字符识别的泛化能力，从而提高识别准确率。此外，将字符图像应用泊松融合方法粘贴到背景图像上，以创建构造样本图像。泊松融合方法是一种将图像合成到背景中的方法，可以同时保留图像的颜色和亮度特征。因此，在本实施例中，将字符图像应用泊松融合方法粘贴到背景图像上，可以保留原始特征，保证构造样本图像的质量，从而保证模型的训练质量。
可选地，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
可以理解的是，一个背景图像中可以粘贴多张包括不同字符和/或不同字符缺陷的字符图像，可以提高模型训练效率和模型的泛化能力。此外，在字符图像的种类以及字符缺陷的种类够多的情况下，随机筛选的方式可以显著提高字符识别模型的泛化能力。
可选地，所述输出所述字符识别结果的步骤之后，还包括：
若所述字符识别结果显示存在字符缺陷，则剔除所述目标SMD芯片。
可以理解的是，在SMD芯片生产线上进行实时识别时，若显示存在字符缺陷，则立马剔除目标SMD芯片，可以保证生产线上产品的良品率。
再一方面，本申请实施例提供了一种模型训练方法，包括：
获取原始样本集和增强样本集，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
可选地，所述获取所述原始样本集和所述增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
可以理解的是，在SMD芯片生产线上进行图像拍摄时，都需要工业光源进行照射，光源一般布置在芯片的正上方，通过螺纹丝杆可调节光源距SMD芯片的距离，从而使得在清楚照明SMD芯片的基础上，以期拍摄得到字符清楚的照片。但是由于SMD芯片金属引脚反光，且SMD芯片的位姿不同，或者引脚的表面形状稍有不同，其反光的效果和方向可以差距很大，可能导致拍摄的SMD芯片的图像质量参差不齐。因此，本实施例中通过合成同一光源下不同照射角度所拍摄的SMD芯片的图像以及同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，来充分模拟由于光源角度的偏差、SMD芯片位姿以及引脚的差异导致可能出现的不同反光效果，从而提高模型对SMD芯片的字符识别的泛化能力，从而提高识别准确率。此外，将字符图像应用泊松融合方法粘贴到背景图像上，以创建构造样本图像。泊松融合方法是一种将图像合成到背景中的方法，可以同时保留图像的颜色和亮度特征。因此，在本实施例中，将字符图像应用泊松融合方法粘贴到背景图像上，可以保留原始特征，保证构造样本图像的质量，从而保证模型的训练质量。
可选地，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
可以理解的是，一个背景图像中可以粘贴多张包括不同字符和/或不同字符缺陷的字符图像，可以提高模型训练效率和模型的泛化能力。此外，在字符图像的种类以及字符缺陷的种类够多的情况下，随机筛选的方式可以显著提高字符识别模型的泛化能力。
再一方面，本申请实施例提供了一种芯片的字符识别装置，包括：
接收模块，用于接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
识别模块，用于将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
输出模块，用于输出所述字符识别结果。
再一方面，本申请实施例提供了一种模型训练装置，包括：
获取模块，用于获取原始样本集和增强样本集，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
训练模块，用于利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
再一方面，本申请实施例提供了一种计算机设备，包括：存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现前述方法。
再一方面，本申请实施例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上存储有计算机程序，所述处理器执行所述计算机程序，实现前述方法。
本申请的实施例提供一种模型训练及芯片的字符识别方法、装置、设备和介质，该方法用于SMD芯片生产线的计算机设备，包括：接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；输出所述字符识别结果。也即，该方法一方面，通过人工智能模型识别的方法，相较于现有的模板匹配方法，不需要提前做模板，提高了识别效率；另一方面，在此基础上，考虑到生产线上的SMD芯片由于金属引脚反光可能导致拍摄的SMD芯片的图像质量参差不齐，在对模型训练时，通过在背景图像上合成同一光源下不同照射角度所拍摄的SMD芯片的图像和同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，实现样本增强，从而达到提高通过模型识别SMD芯片的字符识别和字符缺陷识别的准确率的效果。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种计算机设备的结构示意图；
图2是本申请实施例提供的一种芯片的字符识别方法的流程示意图；
图3是本申请实施例提供的另一种芯片的字符识别方法的流程示意图；
图4是本申请实施例提供的一种模型训练方法的流程示意图；
图5是本申请实施例提供的一种芯片的字符识别装置的结构示意图；
图6是本申请实施例提供的一种模型训练装置的结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：提供一种模型训练及芯片的字符识别方法、装置、设备和介质，该方法用于SMD芯片生产线的计算机设备，包括：接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；输出所述字符识别结果。
现有技术中，SMD（Surface Mount Device）封装是指将元件的芯片直接焊接在电路板的表面上，元件的引脚不会穿过电路板，而是在电路板表面上形成一个网状引脚。此外，现有的字符识别时，需要首先做字符分割，然后针对分割后的字符做基于灰度的模板匹配或者基于边缘特征的模板匹配。这种模板匹配方法都需要针对性的提前做模板。
为此，本申请提供一种解决方案，一方面，通过人工智能模型识别的方法，相较于现有的模板匹配方法，不需要提前做模板，提高了识别效率；另一方面，在此基础上，考虑到生产线上的SMD芯片由于金属引脚反光可能导致拍摄的SMD芯片的图像质量参差不齐，在对模型训练时，通过在背景图像上合成同一光源下不同照射角度所拍摄的SMD芯片的图像和同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，实现样本增强，从而达到提高通过模型识别SMD芯片的字符识别和字符缺陷识别的准确率的效果。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示，该计算机设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对计算机设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及芯片的字符识别装置或模型训练装置。
在图1所示的计算机设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中，所述计算机设备通过处理器1001调用存储器1005中存储的芯片的字符识别装置或模型训练装置，并执行本申请实施例提供的芯片的字符识别方法或模型训练方法。
参见图2，本申请的实施例提供了一种芯片的字符识别方法，用于前述实施例中的计算机设备，该计算机设备可以是用在SMD芯片生产线上的计算机设备，与SMD芯片生产线上的图像采集设备电性连接，接收图像采集设备采集的SMD芯片生产线上的SMD芯片的图像，从而通过图像进行芯片的字符识别。图像采集设备可以是工业相机。
该方法包括：
S20、接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
在具体实施过程中，SMD芯片生产线是指生产或者检测SMD芯片的流水线。目标图像是指在SMD芯片生产线上使用工业相机采集的关于目标SMD芯片的正面图像，因此，包括目标SMD芯片的字符。
可以理解的是，这些字符可以包括生产日期、产品型号、编号等，因此，字符具体可以包括数字、字母和符号等。
S40、将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
在具体实施过程中，目标字符信息是指识别出的字符本身的信息，目标字符缺陷信息是指识别出的字符的缺陷信息，例如，字符脏污、漏印、针孔等。具体的，字符和字符缺陷都可以是在图像中被标注出来的形式。
所述字符识别模型的训练图像不仅包括原始采集的样本图像，还包括背景图像和若干字符图像合成的图像，通过合成同一光源下不同照射角度所拍摄的SMD芯片的图像以及同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，现样本增强，从而达到提高通过模型识别SMD芯片的字符识别和字符缺陷识别的准确率的效果。
具体的，可以理解的是，在SMD芯片生产线上进行图像拍摄时，都需要工业光源进行照射，光源一般布置在芯片的正上方，通过螺纹丝杆可调节光源距SMD芯片的距离，从而使得在清楚照明SMD芯片的基础上，以期拍摄得到字符清楚的照片。但是由于SMD芯片金属引脚反光，且SMD芯片的位姿不同，或者引脚的表面形状稍有不同，其反光的效果和方向可以差距很大，可能导致拍摄的SMD芯片的图像质量参差不齐。因此，本实施例中通过合成同一光源下不同照射角度所拍摄的SMD芯片的图像以及同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，来充分模拟由于光源角度的偏差、SMD芯片位姿以及引脚的差异导致可能出现的不同反光效果，从而提高模型对SMD芯片的字符识别的泛化能力，从而提高识别准确率。
另外，值得注意的是，现有的模板匹配过程中，为了能进行后续的模板匹配，在进行字符分割之前，要进行SMD芯片的位姿矫正。而本实施例中的通过上述样本增强的方法，可以对各种情况下拍摄的SMD芯片的图像进行识别，无需进行SMD芯片的位姿矫正，从而进一步提高识别效率。
S60、输出所述字符识别结果；
在具体实施过程中，输出字符识别结果的方式可以是通过显示屏进行显示，或者是输出相关的字符和缺陷的坐标数据等。
由此可见，本实施例的SMD芯片的字符识别方法，一方面，通过人工智能模型识别的方法，相较于现有的模板匹配方法，不需要提前做模板，也不需要进行位姿校正，提高了识别效率；另一方面，在此基础上，考虑到生产线上的SMD芯片由于金属引脚反光可能导致拍摄的SMD芯片的图像质量参差不齐，在对模型训练时，通过在背景图像上合成同一光源下不同照射角度所拍摄的SMD芯片的图像和同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，实现样本增强，从而达到提高通过模型识别SMD芯片的字符识别和字符缺陷识别的准确率的效果。
作为一个可选地实施例，所述SMD芯片生产线上设置有用于照射SMD芯片的光源，所述光源位置设置有起振片，用于采集图像的工业相机镜头前设置有偏振片；所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
控制设置有起振片的所述光源对所述SMD芯片生产线上的目标SMD芯片进行照射；
控制设置有偏振片的所述工业相机镜头，对光源照射下的所述目标SMD芯片进行拍摄，以获得所述目标图像。
在具体实施过程中，起振片和偏振片是光学领域的公知常识，这里不作过多赘述。
本实施例中可以采用漫反射条形组合光源。为了提高字符与背景的对比度，降低辐照与辐射强度，采用起振片和偏振片。起振片可以将光源发出来的光变成偏振光，放置于光源位置处；偏振片安装于工业相机镜头前，对偏振光进行一定的遮蔽，偏振光经过漫反射后将变成自然光，经过镜面发射后仍然是偏振光。打光方式采用正面明视场。根据测试分选机工位条件的限制，将光源布置在SMD芯片的正上方，通过螺纹丝杆调节光源距SMD芯片的距离。
可以理解的是，在识别过程中，图像采集的时候尽可能的提高字符与背景的对比度，是进一步提高识别准确率的手段之一。前述实施例中虽然已经进行样本图像增强，但是在此基础上，在对目标图像进行采集时，尽可能提高目标图像的质量，也是从另一个角度提高识别准确率的方法。
作为一个可选地实施例，参见图3，所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
S102、获取原始样本集和增强样本集；
在具体实施过程中，增强样本集包括若干构造样本图像，构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像。
具体的，可以使用垂直投影方法将采集的原始样本图像分割成准确的单个字符图像。该步骤包括应用垂直投影方法提取单个字符图像。垂直投影是一种计算图像每列像素数以检测相邻字符边界的方法，具体实现方法这里不再赘述。原始样本图像可以是原始样本集中的样本图像，也可以是通过起振片和偏振片提高字符与背景的对比度后的样本图像。
原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息。样本图像可以是通过起振片和偏振片提高字符与背景的对比度后的图像，也可以是未通过起振片和偏振片提高字符与背景的对比度后的图像。字符缺陷信息即为缺陷标注信息。
S104、利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型；
在具体实施过程中，初始字符识别模型可以是神经网络模型，例如，OCR的神经网络模型。通过原始样本集和增强样本集中的样本图像训练获得字符识别模型。
作为一个可选地实施例，所述获取所述原始样本集和所述增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
在具体实施过程中，第一图像和第二图像都是采集的关于SMD芯片的样本图像，可以是基于同一个SMD芯片采集的，也可以是基于不同的SMD芯片采集的。在SMD芯片生产线上进行图像拍摄时，都需要工业光源进行照射，光源一般布置在芯片的正上方，通过螺纹丝杆可调节光源距SMD芯片的距离，从而使得在清楚照明SMD芯片的基础上，以期拍摄得到字符清楚的照片。但是由于SMD芯片金属引脚反光，且SMD芯片的位姿不同，或者引脚的表面形状稍有不同，其反光的效果和方向可以差距很大，可能导致拍摄的SMD芯片的图像质量参差不齐。因此，本实施例中通过合成同一光源下不同照射角度所拍摄的SMD芯片的图像以及同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像，来充分模拟由于光源角度的偏差、SMD芯片位姿以及引脚的差异导致可能出现的不同反光效果，从而提高模型对SMD芯片的字符识别的泛化能力，从而提高识别准确率。
具体的，将字符图像应用泊松融合方法粘贴到背景图像上，以创建构造样本图像。泊松融合方法是一种将图像合成到背景中的方法，可以同时保留图像的颜色和亮度特征。因此，在本实施例中，将字符图像应用泊松融合方法粘贴到背景图像上，可以保留原始特征，保证构造样本图像的质量，从而保证模型的训练质量。
作为一种可选的实施方式，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
在具体实施过程中，一个背景图像中可以粘贴多张包括不同字符和/或不同字符缺陷的字符图像，可以提高模型训练效率和模型的泛化能力。此外，在字符图像的种类以及字符缺陷的种类够多的情况下，随机筛选的方式可以显著提高字符识别模型的泛化能力。
作为一种可选的实施方式，所述输出所述字符识别结果的步骤之后，还包括：
若所述字符识别结果显示存在字符缺陷，则剔除所述目标SMD芯片。
在具体实施过程中，在SMD芯片生产线上进行实时识别时，若显示存在字符缺陷，则立马剔除目标SMD芯片，可以保证生产线上产品的良品率。
基于相同的发明思路，参照图4，本申请的实施例还提供一种模型训练方法，包括：
S200、获取原始样本集和增强样本集，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
S400、利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
作为一种可选地实施方式，所述获取所述原始样本集和所述增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
作为一种可选地实施方式，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
可以理解的是，本实施例的模型训练方法的实质内容与前述实施例中关于模型训练的记载内容一致，其具体的实施方式和达到的技术效果均可参数前述实施例，这里不再赘述。
参见图5，基于相同的发明思路，本申请的实施例还提供一种芯片的字符识别装置，包括：
接收模块，用于接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
识别模块，用于将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
输出模块，用于输出所述字符识别结果。
需要说明的是，本实施例中芯片的字符识别装置中各模块是与前述实施例中的芯片的字符识别方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述芯片的字符识别方法的实施方式，这里不再赘述。
参见图6，基于相同的发明思路，本申请的实施例还提供一种模型训练装置，包括：
获取模块，用于获取原始样本集和增强样本集，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
训练模块，用于利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
需要说明的是，本实施例中模型训练装置中各模块是与前述实施例中的模型训练方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述模型训练方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件***中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的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（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
以上所揭露的仅为本申请的局部实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (13)

1.一种芯片的字符识别方法，其特征在于，用于SMD芯片生产线的计算机设备，包括：
接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
输出所述字符识别结果。
2.根据权利要求1所述的方法，其特征在于，所述SMD芯片生产线上设置有用于照射SMD芯片的光源，所述光源位置设置有起振片，用于采集图像的工业相机镜头前设置有偏振片；
所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
控制设置有起振片的所述光源对所述SMD芯片生产线上的目标SMD芯片进行照射；
控制设置有偏振片的所述工业相机镜头，对光源照射下的所述目标SMD芯片进行拍摄，以获得所述目标图像。
3.根据权利要求1所述的方法，其特征在于，所述接收在SMD芯片生产线上采集的目标图像的步骤之前，还包括：
获取原始样本集和增强样本集；其中，所述增强样本集包括若干构造样本图像，所述构造样本图像由所述背景图像和若干所述字符图像合成；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得所述字符识别模型。
4.根据权利要求3所述的方法，其特征在于，所述获取原始样本集和增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
5.根据权利要求4所述的方法，其特征在于，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
6.根据权利要求1所述的方法，其特征在于，所述输出所述字符识别结果的步骤之后，还包括：
若所述字符识别结果显示存在字符缺陷，则剔除所述目标SMD芯片。
7.一种模型训练方法，其特征在于，包括：
获取原始样本集和增强样本集，其中，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得字符识别模型。
8.根据权利要求7所述的方法，其特征在于，所述获取原始样本集和增强样本集的步骤之前，还包括：
获取同一光源下不同照射角度所拍摄的SMD芯片的第一图像；
获取同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的第二图像；
利用垂直投影方法对所述第一图像和所述第二图像进行分割，获得若干背景图像和若干字符图像；
利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像。
9.根据权利要求8所述的方法，其特征在于，所述利用泊松融合方法对所述背景图像和所述字符图像进行融合，获得所述构造样本图像的步骤，包括：
从若干字符图像和若干背景图像中随机筛选出N个字符图像和一个背景图像，N为大于等于2的整数；
利用泊松融合方法将N个字符图像和一个背景图像进行合成，以获得所述构造样本图像。
10.一种芯片的字符识别装置，其特征在于，用于SMD芯片生产线的计算机设备，包括：
接收模块，用于接收在SMD芯片生产线上采集的目标图像，所述目标图像中包括目标SMD芯片的字符；
识别模块，用于将所述目标图像输入已训练的字符识别模型中，以获得所述目标SMD芯片的字符识别结果；其中，所述字符识别结果包括目标字符信息和目标字符缺陷信息；所述字符识别模型的训练图像包括背景图像和若干字符图像合成的图像，所述背景图像和若干所述字符图像从第一图像和第二图像中获得，所述第一图像为在同一光源下不同照射角度所拍摄的SMD芯片的图像，所述第二图像为同一光源下且同一照射角度下，不同SMD芯片位姿所拍摄的SMD芯片的图像；所述字符识别模型包括字符缺陷信息；
输出模块，用于输出所述字符识别结果。
11.一种模型训练装置，其特征在于，包括：
获取模块，用于获取原始样本集和增强样本集，所述增强样本集包括若干构造样本图像，所述构造样本图像由背景图像和若干字符图像合成，若干所述字符图像为在同一光源环境下不同照射角度所拍摄的SMD芯片上提取的字符图像；所述原始样本集中包括若干样本图像，所述样本图像和所述构造样本图像中均包括字符缺陷信息；
训练模块，用于利用所述原始样本集和所述增强样本集，对构建的初始字符识别模型进行训练，以获得字符识别模型。
12.一种计算机设备，其特征在于，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-9中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-9中任一项所述的方法。
CN202310633652.8A 2023-05-31 2023-05-31 模型训练及芯片的字符识别方法、装置、设备和介质 Active CN116343213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310633652.8A CN116343213B (zh) 2023-05-31 2023-05-31 模型训练及芯片的字符识别方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310633652.8A CN116343213B (zh) 2023-05-31 2023-05-31 模型训练及芯片的字符识别方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN116343213A true CN116343213A (zh) 2023-06-27
CN116343213B CN116343213B (zh) 2023-08-25

Family

ID=86880838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310633652.8A Active CN116343213B (zh) 2023-05-31 2023-05-31 模型训练及芯片的字符识别方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116343213B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040146295A1 (en) * 2003-01-15 2004-07-29 Negevtech Ltd. System for detection of wafer defects
US20070069752A1 (en) * 2003-05-30 2007-03-29 Akihiko Ito Electronic device test apparatus
JP2017116556A (ja) * 2017-02-22 2017-06-29 株式会社東芝 不良検出装置及び不良検出方法
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN110763685A (zh) * 2019-10-22 2020-02-07 陕西源杰半导体技术有限公司 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置
CN110929773A (zh) * 2019-11-18 2020-03-27 上海集成电路研发中心有限公司 一种基于深度学习的芯片表面缺陷分类装置和方法
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
CN112082999A (zh) * 2020-07-27 2020-12-15 深检数据科技(江苏)有限公司 一种工业产品缺陷检测方法和工业智能相机
CN112730460A (zh) * 2020-12-08 2021-04-30 北京航天云路有限公司 一种通信ic芯片焊接缺陷与密集型虚焊检测技术
CN112816493A (zh) * 2020-05-15 2021-05-18 奕目(上海)科技有限公司 一种芯片打线缺陷检测方法及装置
CN113221889A (zh) * 2021-05-25 2021-08-06 中科芯集成电路有限公司 一种芯片字符抗干扰识别方法及装置
CN113256598A (zh) * 2021-06-09 2021-08-13 合肥中科星翰科技有限公司 一种用于芯片生产的视觉检测***
CN114998192A (zh) * 2022-04-19 2022-09-02 深圳格芯集成电路装备有限公司 基于深度学习的缺陷检测方法、装置、设备和存储介质
CN115308222A (zh) * 2022-07-11 2022-11-08 江苏汤谷智能科技有限公司 一种基于机器视觉的芯片外观不良识别***及方法
CN115830599A (zh) * 2023-02-08 2023-03-21 成都数联云算科技有限公司 工业字符识别方法、模型训练方法、装置、设备和介质
CN115909359A (zh) * 2022-10-25 2023-04-04 扬州工业职业技术学院 一种基于智能视觉的电容字符检测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040146295A1 (en) * 2003-01-15 2004-07-29 Negevtech Ltd. System for detection of wafer defects
US20070069752A1 (en) * 2003-05-30 2007-03-29 Akihiko Ito Electronic device test apparatus
JP2017116556A (ja) * 2017-02-22 2017-06-29 株式会社東芝 不良検出装置及び不良検出方法
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN110763685A (zh) * 2019-10-22 2020-02-07 陕西源杰半导体技术有限公司 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置
CN110929773A (zh) * 2019-11-18 2020-03-27 上海集成电路研发中心有限公司 一种基于深度学习的芯片表面缺陷分类装置和方法
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
CN112816493A (zh) * 2020-05-15 2021-05-18 奕目(上海)科技有限公司 一种芯片打线缺陷检测方法及装置
CN112082999A (zh) * 2020-07-27 2020-12-15 深检数据科技(江苏)有限公司 一种工业产品缺陷检测方法和工业智能相机
CN112730460A (zh) * 2020-12-08 2021-04-30 北京航天云路有限公司 一种通信ic芯片焊接缺陷与密集型虚焊检测技术
CN113221889A (zh) * 2021-05-25 2021-08-06 中科芯集成电路有限公司 一种芯片字符抗干扰识别方法及装置
CN113256598A (zh) * 2021-06-09 2021-08-13 合肥中科星翰科技有限公司 一种用于芯片生产的视觉检测***
CN114998192A (zh) * 2022-04-19 2022-09-02 深圳格芯集成电路装备有限公司 基于深度学习的缺陷检测方法、装置、设备和存储介质
CN115308222A (zh) * 2022-07-11 2022-11-08 江苏汤谷智能科技有限公司 一种基于机器视觉的芯片外观不良识别***及方法
CN115909359A (zh) * 2022-10-25 2023-04-04 扬州工业职业技术学院 一种基于智能视觉的电容字符检测方法
CN115830599A (zh) * 2023-02-08 2023-03-21 成都数联云算科技有限公司 工业字符识别方法、模型训练方法、装置、设备和介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JI YEON LEE等: "Development of vision system for defect inspection of electric parts in the tape and reel package", 《2016 16TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND SYSTEMS (ICCAS)》, pages 437 - 439 *
JIALIN HE等: "A fast simulated annealing strategy for community detection in complex networks", 《2016 2ND IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS (ICCC)》, pages 2380 - 2384 *
YANHENG CHEN等: "Dynamic Preservation for a Class of Semi-Discrete Recurrent Neural Networks", 《 IEEE ACCESS 》, pages 89336 - 89343 *
寸毛毛等: "基于改进Hu矩和矩形拟合的芯片识别定位算法", 《包装工程》, no. 03, pages 161 - 166 *

Also Published As

Publication number Publication date
CN116343213B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN110008944B (zh) 基于模板匹配的ocr识别方法及装置、存储介质
CN108960232A (zh) 模型训练方法、装置、电子设备和计算机可读存储介质
US10474890B2 (en) Simulating image capture
CN111274957A (zh) 网页页面验证码识别方法、装置、终端和计算机存储介质
CN110110714A (zh) 一种纸质作业的线上自动批改方法及***
CN116109631B (zh) 一种pcba虚焊缺陷检测方法、装置、设备和介质
CN111507325B (zh) 基于深度学习的工业视觉ocr识别***及方法
CN116343213B (zh) 模型训练及芯片的字符识别方法、装置、设备和介质
CN110414522A (zh) 一种字符识别方法及装置
CN108289176B (zh) 一种拍照搜题方法、搜题装置及终端设备
CN113298069A (zh) 一种钢印字符识别方法、装置、计算机设备及存储介质
CN115830599B (zh) 工业字符识别方法、模型训练方法、装置、设备和介质
CN111325106A (zh) 生成训练数据的方法及装置
CN115479891A (zh) 基于图像识别的电路板载元器件自动检测***和方法
JP3230218U (ja) 絵画の欠陥識別システム
PL234021B1 (pl) Urządzenie do identyfikacji oznaczeń przewodów i sposób identyfikacji oznaczeń przewodów
CN113516131A (zh) 图像处理方法、装置、设备和存储介质
CN111556251A (zh) 电子书生成方法、设备及介质
CN115689994B (zh) 一种铭牌和条码缺陷检测方法、设备和存储介质
CN116753496B (zh) 一种舞台灯维护方法及***
CN115439720B (zh) Cam图像的重构方法、训练方法、装置、设备及介质
CN117119113B (zh) 电子设备的摄像头自校准方法、装置及电子设备
JP6985771B1 (ja) 刻印文字の検査装置および検査方法
CN114663878B (zh) 一种成品软件版本检查方法、装置、设备及介质
EP4198913A1 (en) Method and device for scanning multiple documents for further processing

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