CN117067112B - 一种水切割机及其控制方法 - Google Patents
一种水切割机及其控制方法 Download PDFInfo
- Publication number
- CN117067112B CN117067112B CN202311343322.1A CN202311343322A CN117067112B CN 117067112 B CN117067112 B CN 117067112B CN 202311343322 A CN202311343322 A CN 202311343322A CN 117067112 B CN117067112 B CN 117067112B
- Authority
- CN
- China
- Prior art keywords
- quartz material
- section
- water cutting
- texture feature
- training
- 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
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 155
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000000463 material Substances 0.000 claims abstract description 241
- 239000010453 quartz Substances 0.000 claims abstract description 239
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 239
- 230000007547 defect Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000000750 progressive effect Effects 0.000 claims description 13
- 230000002787 reinforcement Effects 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 238000005728 strengthening Methods 0.000 claims description 9
- 230000019771 cognition Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 19
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C1/00—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods
- B24C1/04—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for treating only selected parts of a surface, e.g. for carving stone or glass
- B24C1/045—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for treating only selected parts of a surface, e.g. for carving stone or glass for cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C9/00—Appurtenances of abrasive blasting machines or devices, e.g. working chambers, arrangements for handling used abrasive material
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
- Y02P40/57—Improving the yield, e-g- reduction of reject rates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Processing Of Stones Or Stones Resemblance Materials (AREA)
Abstract
公开了一种水切割机及其控制方法。其首先通过水切割机的摄像头采集水切割后石英材料的截面图像,接着,对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征,然后,基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷。这样,可以在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
Description
技术领域
本公开涉及水切割机领域,且更为具体地,涉及一种水切割机及其控制方法。
背景技术
在半导体行业中,石英材料具有优异的物理和化学性质,被广泛应用于制造半导体芯片的过程中。石英晶圆是半导体制造过程中常用的基础材料之一。水切割机可以通过高压水流和磨料的喷射,将石英晶圆切割成所需的尺寸和形状,以适应不同的工艺需求。但是,在石英材料的水切割过程中,可能会出现一些缺陷、裂纹或不良切割边缘,这会影响到后续的加工和使用。因此,对切割后的石英材料进行缺陷检测和质量控制非常重要。
目前,在进行石英材料的水切割过程中,通常无法实时监测切割过程中的材料状态和切割质量。如果出现切割偏差、裂纹或其他缺陷,往往需要等到切割完成后才能发现,无法及时调整和纠正。也就是说,传统的水切割方案主要关注切割工艺本身,对于切割后材料的缺陷检测和质量控制较为有限。通常需要依靠人工目视检查或其他非自动化的方法来进行缺陷检测,效率低下且容易出现漏检或误判的情况。
因此,期望一种优化的水切割机的控制方案。
发明内容
有鉴于此,本公开提出了一种水切割机及其控制方法,其可以在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
根据本公开的一方面,提供了一种水切割机的控制方法,其包括:
通过水切割机的摄像头采集水切割后石英材料的截面图像;
对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征;以及
基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷。
根据本公开的另一方面,提供了一种水切割机,其中,所述水切割机以如前述的水切割机的控制方法进行运转。
根据本公开的实施例,其首先通过水切割机的摄像头采集水切割后石英材料的截面图像,接着,对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征,然后,基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷。这样,可以在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
与现有技术相比,本申请提供了一种水切割机及其控制方法,其可以在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的水切割机的控制方法的流程图。
图2示出根据本公开的实施例的水切割机的控制方法的架构示意图。
图3示出根据本公开的实施例的水切割机的控制方法的子步骤S120的流程图。
图4示出根据本公开的实施例的水切割机的控制***的框图。
图5示出根据本公开的实施例的水切割机的控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
实施例1:
本申请的技术构思为在进行石英材料的水切割过程中,通过水切割机的摄像头采集水切割后石英材料的截面图像,并在后端引入机器视觉技术来进行所述水切割后石英材料的截面图像的处理和分析,以此来判断切割后的石英材料表面是否存在缺陷、裂纹或不良切割边缘,通过这样的方式,能够在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
相应地,图1示出根据本公开的实施例的水切割机的控制方法的流程图。图2示出根据本公开的实施例的水切割机的控制方法的架构示意图。如图1和图2所示,根据本公开实施例的水切割机的控制方法,包括步骤:S110,通过水切割机的摄像头采集水切割后石英材料的截面图像;S120,对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征;以及,S130,基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷。
具体地,在本公开的技术方案中,首先,获取由水切割机的摄像头采集的水切割后石英材料的截面图像。应可以理解,在水切割过程中,由于水流和磨料的作用,切割后的石英材料表面可能会出现一些不均匀性和毛刺,并且所述截面图像中还可能会存在一些噪声干扰,这些因素都会影响到所述截面图像的质量,使得其中有关于水切割后石英材料的截面状态细节信息不够清晰,难以准确地进行缺陷检测和分析。因此,在本公开的技术方案中,在特征提取前需要将所述水切割后石英材料的截面图像进行基于双边滤波的图像增强以得到增强石英材料切割后截面图像。特别地,这里,经过所述双边滤波处理能够同时考虑图像的空间信息和灰度信息,以在保持所述水切割后石英材料的边缘清晰度的同时抑制噪声,以此来有效地去除图像中的噪声干扰,并增强图像的细节信息,使得切割后的石英材料的截面图像更加清晰和易于分析。
然后,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述增强石英材料切割后截面图像的特征挖掘。特别地,考虑到在实际进行切割后石英材料的表面缺陷检测时,例如判断切割后的石英材料表面是否存在缺陷、裂纹或不良切割边缘,应更加关注于所述增强石英材料切割后截面图像中有关于石英材料的截面纹理特征信息,其能够很好地反映出石英材料的切割缺陷。因此,在本公开的技术方案中,将所述增强石英材料切割后截面图像通过基于第一卷积神经网络模型的截面纹理特征提取器中进行特征挖掘,以提取出所述切割后石英材料的表面纹理隐含特征分布信息,从而得到切割后石英材料截面纹理特征图。
进一步地,考虑到在实际进行切割后石英材料的表面缺陷检测时,应更加关注于空间位置上关于石英材料的截面纹理特征信息而忽略与石英材料切割质量检测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本公开的技术方案中,将所述切割后石英材料截面纹理特征图通过空间注意力模块中进行空间特征强化,以得到空间强化切割后石英材料截面纹理特征图。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于石英材料的切割截面的隐含纹理特征分布信息,有利于更准地检测出切割后石英材料表面的缺陷、裂纹或不良切割边缘。
相应地,如图3所示,对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征,包括:S121,对所述水切割后石英材料的截面图像进行图像增强以得到增强石英材料切割后截面图像;S122,通过基于深度神经网络模型的截面纹理特征提取器对所述增强石英材料切割后截面图像进行特征提取以得到切割后石英材料截面纹理特征图;以及,S123,对所述切割后石英材料截面纹理特征图进行空间特征强化以得到空间强化切割后石英材料截面纹理特征图作为所述水切割后石英材料截面特征。应可以理解,在步骤S121中,通过应用图像增强技术,如亮度调整、对比度增强、滤波等,对水切割后的石英材料截面图像进行处理,以提高图像的质量和清晰度,增强后的图像有助于后续步骤中的特征提取和分析。在步骤S122中,使用基于深度神经网络的模型,对增强后的石英材料切割后截面图像进行特征提取,深度神经网络模型可以学习和提取图像中的纹理、形状和结构等特征,通过该步骤,可以得到切割后石英材料截面的纹理特征图,该图像表示了材料截面的纹理信息。在步骤S123中,对切割后石英材料截面纹理特征图进行空间特征强化,这意味着可以通过应用滤波、尺度变换或其他空间域处理方法来增强纹理特征图中的空间信息,这样做可以进一步突出和增强石英材料截面的纹理特征,使其更具辨识度和可视化效果,最终得到的空间强化切割后石英材料截面纹理特征图可以作为水切割后石英材料截面的特征描述,用于进一步的分析和应用。这三个步骤结合使用,可以对水切割后石英材料的截面图像进行特征提取和增强,从而得到更清晰、更具表征性的截面特征图,为后续的分析和应用提供更可靠的数据基础。
更具体地,在步骤S121中,对所述水切割后石英材料的截面图像进行图像增强以得到增强石英材料切割后截面图像,包括:将所述水切割后石英材料的截面图像进行基于双边滤波的图像增强以得到所述增强石英材料切割后截面图像。值得一提的是,双边滤波是一种常用的图像增强技术,它在保持边缘信息的同时,能够有效地减少图像噪声。在对水切割后石英材料的截面图像进行增强时,应用基于双边滤波的方法可以得到增强后的石英材料切割后截面图像。双边滤波结合了空间域和灰度域的信息,通过考虑像素之间的空间距离和灰度相似性来进行滤波。与传统的线性滤波方法相比,双边滤波能够更好地保留图像的边缘细节,同时减少噪声的影响。它能够根据像素之间的相似性进行自适应的滤波,使得边缘保持清晰,而平滑区域则能够更好地抑制噪声。水切割后石英材料的截面图像增强中,使用基于双边滤波的方法可以有效地降低图像中的噪声,并保留石英材料截面的边缘细节。这样可以提高图像的质量和清晰度,为后续的特征提取和分析提供更可靠的数据基础。
更具体地,在步骤S122中,所述深度神经网络模型为第一卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学***均池化,能够保留图像的主要特征并减少计算量。卷积神经网络模型在图像处理任务中具有很多优势,包括:1.特征提取能力:卷积神经网络可以自动学***移、旋转和缩放等图像变换具有不变性:卷积神经网络通过局部感知性和池化操作,可以在一定程度上对图像的平移、旋转和缩放等变换具有不变性,提高了模型的鲁棒性。在水切割后石英材料截面图像的特征提取中,使用卷积神经网络模型作为特征提取器,可以自动学习并提取出石英材料截面图像中的纹理、形状和结构等特征,为后续的分析和应用提供更准确和有代表性的数据。
更具体地,在步骤S123中,对所述切割后石英材料截面纹理特征图进行空间特征强化以得到空间强化切割后石英材料截面纹理特征图作为所述水切割后石英材料截面特征,包括:将所述切割后石英材料截面纹理特征图通过空间注意力模块以得到所述空间强化切割后石英材料截面纹理特征图。值得一提的是,空间注意力模块是一种用于增强图像中的空间特征的技术。它可以通过对图像的不同空间位置进行加权,使得网络能够更加关注和强调重要的空间区域,从而提高特征的判别能力和表达能力。空间注意力模块通常由两个关键组件组成:注意力机制和特征融合。注意力机制用于计算每个空间位置的注意力权重,以决定不同位置对于特征表示的重要程度。特征融合则将原始特征与注意力权重进行加权融合,得到空间注意力增强后的特征表示。空间注意力模块的主要作用包括:1.强化重要的空间区域:通过计算注意力权重,空间注意力模块可以提高网络对于重要空间区域的关注程度,这对于石英材料截面纹理特征图来说,可以使网络更加关注具有显著纹理特征的区域,从而增强这些特征的表达能力。2.抑制噪声和无关信息:空间注意力模块可以通过降低对于噪声和无关信息的关注程度,提高对于有用特征的关注程度,这对于石英材料截面纹理特征图来说,可以减少噪声的影响,突出纹理特征的细节,提高特征的质量和可靠性。3.提高特征的判别能力:通过增强重要的空间特征,空间注意力模块可以提高特征的判别能力,这对于后续的石英材料截面特征分析和分类任务来说,可以提高模型的准确性和性能。在对切割后石英材料截面纹理特征图进行空间特征强化时,使用空间注意力模块可以通过加权关注重要的空间区域,提高纹理特征的表达能力和判别能力。这样可以得到空间强化的切割后石英材料截面纹理特征图,为后续的分析和应用提供更加准确和有代表性的数据。
继而,再将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷。也就是说,将经过空间特征强化后的有关于切割后石英材料的截面纹理特征来进行分类处理,从而判断切割后石英材料是否存在表面缺陷。这样,能够在石英材料的水切割过程中实现对切割后石英材料的缺陷检测和质量控制,并及时反馈做出相应的处理,以提高石英材料的水切割效率和质量。
相应地,基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷,包括将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷。应可以理解,对所述空间强化切割后石英材料截面纹理特征图进行特征分布优化以得到空间强化切割后石英材料截面纹理特征图的目的是通过对空间强化的切割后石英材料截面纹理特征图进行特征分布优化,进一步提高特征的表达能力和判别能力,特征分布优化可以采用各种方法,如归一化、直方图均衡化、对比度增强等,以调整特征图的分布,使其更加符合模型对于表面缺陷的判别要求。在步骤S132中,将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷的目的是利用优化的空间强化切割后石英材料截面纹理特征图,通过分类器进行分类,以判断切割后石英材料是否存在表面缺陷。分类器可以是一个训练好的机器学习模型,如支持向量机(SVM)、随机森林(Random Forest)或深度学习模型(如卷积神经网络)。分类结果可以是二元的(存在缺陷/无缺陷)或多元的(存在不同类型的缺陷),用于表示石英材料的表面状态。通过执行S131和S132两个步骤,可以基于水切割后石英材料截面的特征,对石英材料是否存在表面缺陷进行判断和分类,这样可以实现对石英材料质量的自动化检测和评估,提高工作效率和准确性。
可选地,在本申请的一个实施例中,将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷,包括:将所述空间强化切割后石英材料截面纹理特征图按照行向量或者列向量展开为空间强化切割后石英材料截面纹理特征向量;使用所述分类器的全连接层对所述空间强化切割后石英材料截面纹理特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括切割后石英材料存在表面缺陷(第一标签),以及,切割后石英材料不存在表面缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述空间强化切割后石英材料截面纹理特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“切割后石英材料是否存在表面缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,切割后石英材料是否存在表面缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“切割后石英材料是否存在表面缺陷”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码是指将输入的特征向量通过全连接层进行编码的过程。全连接层是深度学习模型中的一种常见层类型,它的每个神经元都与上一层的所有神经元相连接。全连接层的作用是将输入的特征向量进行线性变换和非线性映射,以得到更高级的特征表示。全连接编码在图像分类和特征提取任务中经常被使用。通过全连接层的权重矩阵和激活函数,可以对输入的特征向量进行线性变换和非线性映射,从而得到更高级的特征表示。这有助于提取更具有判别性的特征,使得分类器能够更好地区分不同类别之间的差异。全连接层可以将输入的特征向量中的不同维度信息进行融合和组合,从而捕捉到更丰富的特征表达。这对于石英材料截面纹理特征图来说,可以将不同空间位置的特征进行融合,提高对整体纹理特征的理解和表达能力。通过全连接层的权重矩阵,可以将输入的特征向量的维度进行变换和降维。这有助于减少特征向量的维度,提高计算效率,并且可以去除一些冗余和噪声信息,从而提高分类器的鲁棒性和泛化能力。在将空间强化切割后石英材料截面纹理特征图输入分类器之前,通过全连接层进行全连接编码可以进一步提取和表达特征。全连接编码可以将空间强化切割后石英材料截面纹理特征向量映射到更高级的特征空间,并为后续的分类过程提供更有信息量的特征表示。最后,通过将编码分类特征向量输入分类器的Softmax分类函数,可以得到最终的分类结果,用于表示切割后石英材料是否存在表面缺陷。
进一步地,在本公开的技术方案中,所述的水切割机的控制方法,其还包括训练步骤:用于对所述基于深度神经网络模型的截面纹理特征提取器、所述空间注意力模块和所述分类器进行训练。其中,所述训练步骤,包括:获取训练数据,所述训练数据包括水切割后石英材料的训练截面图像,以及,切割后石英材料是否存在表面缺陷的真实值;将所述水切割后石英材料的训练截面图像进行基于双边滤波的图像增强以得到训练增强石英材料切割后截面图像;通过所述基于深度神经网络模型的截面纹理特征提取器对所述训练增强石英材料切割后截面图像进行特征提取以得到训练切割后石英材料截面纹理特征图;将所述训练切割后石英材料截面纹理特征图通过所述空间注意力模块以得到训练空间强化切割后石英材料截面纹理特征图;将所述训练空间强化切割后石英材料截面纹理特征图通过所述分类器以得到分类损失函数值;基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的截面纹理特征提取器、所述空间注意力模块和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对于所述训练空间强化切割后石英材料截面纹理特征图展开后得到的训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成。
特别地,在本申请的技术方案中,将所述训练增强石英材料切割后截面图像通过基于第一卷积神经网络模型的截面纹理特征提取器时,所述训练切割后石英材料截面纹理特征图可以表达所述训练增强石英材料切割后截面图像的图像纹理语义特征,而在将所述训练切割后石英材料截面纹理特征图通过空间注意力模块时,在通过空间注意力模块对所述训练切割后石英材料截面纹理特征图的某些空间位置下的特征值进行显著性强化,以提高其分类加权权重的同时,也使得所述训练空间强化切割后石英材料截面纹理特征图在特征矩阵分布维度上具有空间分布维度密集的特征表示,这会在通过分类器进行分类回归训练时,引起分类器的权重矩阵的训练效率降低。
基于此,本申请在将所述训练空间强化切割后石英材料截面纹理特征图通过分类器进行分类回归的训练时,对于所述训练空间强化切割后石英材料截面纹理特征图展开后得到的训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成。
可选地,在本申请的一个实施例中,对于所述训练空间强化切割后石英材料截面纹理特征图展开后得到的训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成,包括:以如下渐进式上下文集成公式对所述训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成;
其中,所述渐进式上下文集成公式为:
M2'=[max(v1,v2 ) ⊙M2]⊕(V1⊗V2T)⊕Mb
V1=M1⊗Vc
V2=M2⊗Vc
其中,M1和M2分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置M1和M2,(例如,M1设置为单位矩阵而M2设置为待分类的训练空间强化切割后石英材料截面纹理特征向量的均值对角矩阵),Vc是待分类的训练空间强化切割后石英材料截面纹理特征向量,V1表示第一特征向量,V2表示第二特征向量,v1和v2分别表示特征向量V1和V2的全局均值,且Mb是偏置矩阵,max表示最大值函数,⊙表示按位置点乘,⊕表示向量加法,⊗表示矩阵乘法,M2'是优化权重矩阵。
也就是,考虑到在进行基于待分类的训练空间强化切割后石英材料截面纹理特征向量Vc的密集预测任务时,需要将权重矩阵的高分辨率表示与待分类的训练空间强化切割后石英材料截面纹理特征向量Vc的全局上下文进行集成,因此通过在迭代过程中最大化权重空间的分布边界,来基于迭代关联表示资源认知地(resource-aware)实现渐进集成(progressive integrity),从而提高权重矩阵的训练效果,提升模型整体的训练效率。这样,能够在石英材料的水切割过程中自动对切割后的石英材料进行缺陷检测和质量控制,以提高石英材料的水切割效率和质量。
综上,基于本公开实施例的水切割机的控制方法,其可以在石英材料的水切割过程中实现切割后石英材料质量的自动化检测,并及时反馈以做出相应的处理,从而避免人工目测带来的漏检或误判的情况,提高石英材料的水切割效率和质量。
实施例2:
进一步地,在本公开的实施例中,还提供一种水切割机,其中,所述水切割机以如前述任一所述的水切割机的控制方法进行运转。
图4示出根据本公开的实施例的水切割机的控制***100的框图。如图4所示,根据本公开实施例的水切割机的控制***100,包括:截面图像获取模块110,用于通过水切割机的摄像头采集水切割后石英材料的截面图像;图像特征分析模块120,用于对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征;以及,表面缺陷判断模块130,用于基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷。
在一种可能的实现方式中,所述图像特征分析模块120,包括:图像增强单元,用于对所述水切割后石英材料的截面图像进行图像增强以得到增强石英材料切割后截面图像;截面纹理特征提取单元,用于通过基于深度神经网络模型的截面纹理特征提取器对所述增强石英材料切割后截面图像进行特征提取以得到切割后石英材料截面纹理特征图;以及,空间特征强化单元,用于对所述切割后石英材料截面纹理特征图进行空间特征强化以得到空间强化切割后石英材料截面纹理特征图作为所述水切割后石英材料截面特征。
这里,本领域技术人员可以理解,上述水切割机的控制***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的水切割机的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的水切割机的控制***100可以实现在各种无线终端中,例如具有水切割机的控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的水切割机的控制***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该水切割机的控制***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该水切割机的控制***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该水切割机的控制***100与该无线终端也可以是分立的设备,并且该水切割机的控制***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5示出根据本公开的实施例的水切割机的控制方法的应用场景图。如图5所示,在该应用场景中,首先,通过水切割机的摄像头采集水切割后石英材料的截面图像(例如,图5中所示意的D),然后,将所述水切割后石英材料的截面图像输入至部署有水切割机的控制算法的服务器中(例如,图5中所示意的S),其中,所述服务器能够使用所述水切割机的控制算法对所述水切割后石英材料的截面图像进行处理以得到用于表示切割后石英材料是否存在表面缺陷的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种水切割机的控制方法,其特征在于,包括:
在石英材料的水切割过程中,通过水切割机的摄像头采集水切割后石英材料的截面图像;
对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征;以及
基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷;
其中,所述对所述水切割后石英材料的截面图像进行图像特征分析以得到水切割后石英材料截面特征,包括:
对所述水切割后石英材料的截面图像进行图像增强以得到增强石英材料切割后截面图像;
通过基于深度神经网络模型的截面纹理特征提取器对所述增强石英材料切割后截面图像进行特征提取以得到切割后石英材料截面纹理特征图;以及
对所述切割后石英材料截面纹理特征图进行空间特征强化以得到空间强化切割后石英材料截面纹理特征图作为所述水切割后石英材料截面特征;
其中,基于所述水切割后石英材料截面特征,确定切割后石英材料是否存在表面缺陷,包括:
将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷;
其中,将所述空间强化切割后石英材料截面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示切割后石英材料是否存在表面缺陷,包括:
将所述空间强化切割后石英材料截面纹理特征图按照行向量或者列向量展开为空间强化切割后石英材料截面纹理特征向量;
使用所述分类器的全连接层对所述空间强化切割后石英材料截面纹理特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
2.根据权利要求1所述的水切割机的控制方法,其特征在于,对所述水切割后石英材料的截面图像进行图像增强以得到增强石英材料切割后截面图像,包括:
将所述水切割后石英材料的截面图像进行基于双边滤波的图像增强以得到所述增强石英材料切割后截面图像。
3.根据权利要求2所述的水切割机的控制方法,其特征在于,所述深度神经网络模型为第一卷积神经网络模型。
4.根据权利要求3所述的水切割机的控制方法,其特征在于,对所述切割后石英材料截面纹理特征图进行空间特征强化以得到空间强化切割后石英材料截面纹理特征图作为所述水切割后石英材料截面特征,包括:
将所述切割后石英材料截面纹理特征图通过空间注意力模块以得到所述空间强化切割后石英材料截面纹理特征图。
5.根据权利要求4所述的水切割机的控制方法,其特征在于,还包括训练步骤:用于对所述基于深度神经网络模型的截面纹理特征提取器、所述空间注意力模块和所述分类器进行训练。
6.根据权利要求5所述的水切割机的控制方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括水切割后石英材料的训练截面图像,以及,切割后石英材料是否存在表面缺陷的真实值;
将所述水切割后石英材料的训练截面图像进行基于双边滤波的图像增强以得到训练增强石英材料切割后截面图像;
通过所述基于深度神经网络模型的截面纹理特征提取器对所述训练增强石英材料切割后截面图像进行特征提取以得到训练切割后石英材料截面纹理特征图;
将所述训练切割后石英材料截面纹理特征图通过所述空间注意力模块以得到训练空间强化切割后石英材料截面纹理特征图;
将所述训练空间强化切割后石英材料截面纹理特征图通过所述分类器以得到分类损失函数值;
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的截面纹理特征提取器、所述空间注意力模块和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对于所述训练空间强化切割后石英材料截面纹理特征图展开后得到的训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成。
7.根据权利要求6所述的水切割机的控制方法,其特征在于,对于所述训练空间强化切割后石英材料截面纹理特征图展开后得到的训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成,包括:以如下渐进式上下文集成公式对所述训练空间强化切割后石英材料截面纹理特征向量进行权重空间的资源认知的渐进式上下文集成;
其中,所述渐进式上下文集成公式为:
其中,和/>分别是上次和本次迭代的权重矩阵,/>是待分类的训练空间强化切割后石英材料截面纹理特征向量,/>表示第一特征向量,/>表示第二特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置矩阵,/>表示最大值函数,/>表示按位置点乘,/>表示向量加法,/>表示矩阵乘法,/>是优化权重矩阵。
8.一种水切割机,其特征在于,所述水切割机以如权利要求1至7任一所述的水切割机的控制方法进行运转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343322.1A CN117067112B (zh) | 2023-10-17 | 2023-10-17 | 一种水切割机及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343322.1A CN117067112B (zh) | 2023-10-17 | 2023-10-17 | 一种水切割机及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117067112A CN117067112A (zh) | 2023-11-17 |
CN117067112B true CN117067112B (zh) | 2024-01-16 |
Family
ID=88715697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311343322.1A Active CN117067112B (zh) | 2023-10-17 | 2023-10-17 | 一种水切割机及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117067112B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104661976A (zh) * | 2012-07-12 | 2015-05-27 | 康宁股份有限公司 | 纹理化的玻璃表面及其制备方法 |
TW201808536A (zh) * | 2016-06-15 | 2018-03-16 | 斯庫林集團股份有限公司 | 外觀檢查裝置、表面處理系統、外觀檢查方法、程式及投射材交換判斷方法 |
CN108701650A (zh) * | 2015-12-30 | 2018-10-23 | 鲁道夫科技公司 | 晶圆切割过程控制 |
CN110889821A (zh) * | 2018-08-17 | 2020-03-17 | 波音公司 | 用于喷丸加工评估的装置和方法 |
CN111712352A (zh) * | 2018-02-16 | 2020-09-25 | 新东工业株式会社 | 评价***、评价装置、评价方法、评价程序以及记录介质 |
DE102020207613A1 (de) * | 2020-06-19 | 2021-12-23 | Volkswagen Aktiengesellschaft | Verfahren zur Bewertung einer Schnittkante eines Körpers |
CN113916884A (zh) * | 2021-10-09 | 2022-01-11 | 宿州学院 | 一种硬车削工件表面质量在线预测方法 |
CN114119526A (zh) * | 2021-11-19 | 2022-03-01 | 江南大学 | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 |
CN114603489A (zh) * | 2022-04-21 | 2022-06-10 | 广东猛犸象智能机器人制造有限公司 | 一种视觉引导水刀智能识别切割无缝产品的装置及其方法 |
CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及*** |
CN115302411A (zh) * | 2022-05-05 | 2022-11-08 | 长沙矿冶研究院有限责任公司 | 基于图像识别的表面清理***及其控制方法 |
CN115830004A (zh) * | 2022-12-27 | 2023-03-21 | 凌云光技术股份有限公司 | 表面缺陷检测方法、装置、计算机设备和存储介质 |
KR102525667B1 (ko) * | 2022-11-15 | 2023-04-25 | (주)바질컴퍼니 | 2d 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법 |
CN116596854A (zh) * | 2023-04-24 | 2023-08-15 | 广东电网有限责任公司 | 一种设备缺陷的识别方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2243594A1 (en) * | 2009-04-20 | 2010-10-27 | Univerza v Ljubljani | Arrangement of devices and a method for empirically determining efficiency index in abrasive waterjet cutting and application thereof in a device for simultaneous control of abrasive waterjet cutting |
-
2023
- 2023-10-17 CN CN202311343322.1A patent/CN117067112B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104661976A (zh) * | 2012-07-12 | 2015-05-27 | 康宁股份有限公司 | 纹理化的玻璃表面及其制备方法 |
CN108701650A (zh) * | 2015-12-30 | 2018-10-23 | 鲁道夫科技公司 | 晶圆切割过程控制 |
TW201808536A (zh) * | 2016-06-15 | 2018-03-16 | 斯庫林集團股份有限公司 | 外觀檢查裝置、表面處理系統、外觀檢查方法、程式及投射材交換判斷方法 |
CN111712352A (zh) * | 2018-02-16 | 2020-09-25 | 新东工业株式会社 | 评价***、评价装置、评价方法、评价程序以及记录介质 |
CN110889821A (zh) * | 2018-08-17 | 2020-03-17 | 波音公司 | 用于喷丸加工评估的装置和方法 |
DE102020207613A1 (de) * | 2020-06-19 | 2021-12-23 | Volkswagen Aktiengesellschaft | Verfahren zur Bewertung einer Schnittkante eines Körpers |
CN113916884A (zh) * | 2021-10-09 | 2022-01-11 | 宿州学院 | 一种硬车削工件表面质量在线预测方法 |
CN114119526A (zh) * | 2021-11-19 | 2022-03-01 | 江南大学 | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 |
CN114603489A (zh) * | 2022-04-21 | 2022-06-10 | 广东猛犸象智能机器人制造有限公司 | 一种视觉引导水刀智能识别切割无缝产品的装置及其方法 |
CN115302411A (zh) * | 2022-05-05 | 2022-11-08 | 长沙矿冶研究院有限责任公司 | 基于图像识别的表面清理***及其控制方法 |
CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及*** |
KR102525667B1 (ko) * | 2022-11-15 | 2023-04-25 | (주)바질컴퍼니 | 2d 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법 |
CN115830004A (zh) * | 2022-12-27 | 2023-03-21 | 凌云光技术股份有限公司 | 表面缺陷检测方法、装置、计算机设备和存储介质 |
CN116596854A (zh) * | 2023-04-24 | 2023-08-15 | 广东电网有限责任公司 | 一种设备缺陷的识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117067112A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN108875624B (zh) | 基于多尺度的级联稠密连接神经网络的人脸检测方法 | |
CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
US12007335B2 (en) | Automatic optimization of an examination recipe | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及*** | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
Akhtar et al. | Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification | |
US20230044794A1 (en) | Neural network training device, system and method | |
CN116935092A (zh) | 自动化缺陷分类和检测 | |
CN114565798A (zh) | 基于铁谱图像分析的动力装置磨损故障诊断方法及*** | |
CN117067112B (zh) | 一种水切割机及其控制方法 | |
CN115587989B (zh) | 一种工件ct图像缺陷检测分割方法及*** | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 | |
CN112906707B (zh) | 一种表面缺陷图像的语义分割方法、装置及计算机设备 | |
JP2003216953A (ja) | 画像から対象物を抽出する方法およびその装置 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN110807456A (zh) | 一种银行卡***的定位方法及装置 | |
CN117576416B (zh) | 工件边缘区域的检测方法、设备及存储介质 | |
CN114897901B (zh) | 基于样本扩充的电池质量检测方法、装置和电子设备 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN113326858B (zh) | 一种多特征提取网络的目标检测方法 | |
CN112164024B (zh) | 一种基于领域自适应的混凝土表面裂缝检测方法及*** |
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 |