-
公开(公告)号：CN119006456B
公开(公告)日：2025-02-21
申请号：CN202411480225.1
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082 , G06V10/25 , G06V10/44 , G06V10/80 , G01N21/956
Abstract: 本发明涉及基于跨尺度多重聚合的印刷电路板缺陷检测方法及装置，涉及目标检测领域，方法包括：获取印刷电路板缺陷图像，进行预处理；利用改进的YOLOv8网络进行特征提取与融合，其中特征提取网络采用CDA‑net，该网络包含一个嵌入层模块、四层CDA模块和一个SPPF模块，能够有效提取多尺度特征；特征融合网络采用RGS‑FPN，进行高效的多尺度特征融合；使用无锚风格的YOLOv8检测头进行目标检测，使用Adam优化器以0.001的学习率对模型进行训练；将预处理后的图像输入至训练好的模型中，即可获得印刷电路板的缺陷检测结果。本发明通过深度学习技术提高了印刷电路板缺陷检测的准确性和效率，适用于印刷电路板制造过程中的质量控制。
-
公开(公告)号：CN119205560B
公开(公告)日：2025-04-29
申请号：CN202411716274.0
申请日：2024-11-27
Applicant: 华侨大学
IPC: G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/50 , G06T5/60 , G06F16/51
Abstract: 本发明公开了一种基于深度学习的Mini‑LED晶圆表面缺陷数据增强方法及装置，涉及图像处理领域，包括：构建基于每种缺陷类型的#imgabs0#网络的扩散模型，扩散模型包括加噪过程和去噪过程，对#imgabs1#网络进行训练，得到经训练的每种缺陷类型的#imgabs2#网络；随机采样高斯噪声图，并输入到经训练的每种缺陷类型的#imgabs3#网络，得到每种缺陷类型对应的预测噪声，并生成得到每种缺陷类型的生成缺陷图像，构建生成缺陷图像库；从生成缺陷图像库中随机选择生成缺陷图像并进行随机变换，得到变换后的生成缺陷图像，通过图像空间处理将变换后的随机选择的生成缺陷图像与背景图像进行合成，得到合成图像。本发明解决了现有图像数据增强技术存在不稳定性和效果不佳的问题。
-
公开(公告)号：CN110188806A
公开(公告)日：2019-08-30
申请号：CN201910421831.9
申请日：2019-05-21
Applicant: 华侨大学
Abstract: 本发明提供一种基于机器视觉的大圆机织物疵点检测与分类方法，通过图像采集设备采集织物图像；对织物图像进行直方图均衡化处理，得到增强图像；对增强后的织物图像进行自适应高斯滤波处理；对预处理后的图像灰度级量化；共生矩阵提取与特征值计算；生成特征图像；采用特征值对随机森林分类器进行训练优化；采用优化后的随机森林分类器对织物图片进行分类检测，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。
-
Patent Agency Ranking
公开(公告)号：CN118887469A
公开(公告)日：2024-11-01
申请号：CN202410941416.7
申请日：2024-07-15
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/80 , G06V10/40 , G06V10/774
Abstract: 本发明公开了一种基于深度学习的手术器械识别方法，涉及图像处理技术领域，包括：使用Yolo目标识别算法构建手术器械特征提取及融合模块，其中，Yolo目标识别算法中的SPPF模块采用添加了注意力机制的LW‑SPPF模块；构建基于新型可变形卷积的动态检测头DCNHead获得特征并输出手术器械识别结果；结合注意力机制与可变形卷积基于手术器械特征提取及融合模块和动态检测头DCNHead，构建手术器械识别模型并进行训练；利用训练好的手术器械识别模型进行手术器械识别。本发明优化了传统的Yolo目标识别方法，可以有效提高相似手术器械以及手术器械在被遮挡情况下的识别准确度，提升目标识别的可靠性与稳定性。
-
公开(公告)号：CN119006456A
公开(公告)日：2024-11-22
申请号：CN202411480225.1
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082 , G06V10/25 , G06V10/44 , G06V10/80 , G01N21/956
Abstract: 本发明涉及基于跨尺度多重聚合的印刷电路板缺陷检测方法及装置，涉及目标检测领域，方法包括：获取印刷电路板缺陷图像，进行预处理；利用改进的YOLOv8网络进行特征提取与融合，其中特征提取网络采用CDA‑net，该网络包含一个嵌入层模块、四层CDA模块和一个SPPF模块，能够有效提取多尺度特征；特征融合网络采用RGS‑FPN，进行高效的多尺度特征融合；使用无锚风格的YOLOv8检测头进行目标检测，使用Adam优化器以0.001的学习率对模型进行训练；将预处理后的图像输入至训练好的模型中，即可获得印刷电路板的缺陷检测结果。本发明通过深度学习技术提高了印刷电路板缺陷检测的准确性和效率，适用于印刷电路板制造过程中的质量控制。
-
公开(公告)号：CN118334032A
公开(公告)日：2024-07-12
申请号：CN202410765185.9
申请日：2024-06-14
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06N5/04 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于轻量化目标检测模型的晶圆缺陷检测方法及装置，涉及目标检测领域，包括：构建晶圆缺陷检测模型并训练，得到经训练的晶圆缺陷检测模型，晶圆缺陷检测模型包括多分支跨层聚合特征提取网络、多分支跨层聚合特征金字塔网络和部分卷积检测头网络，多分支跨层聚合特征提取网络和多分支跨层聚合特征金字塔网络在YOLOv8网络的特征提取网络和路径聚合网络的基础上将C2F模块替换为MBGB模块，将C2F模块之后的CBS模块替换为下采样模块，部分卷积检测头网络在YOLOv8网络的检测头网络的基础上将回归头和分类头的第一个CBS模块替换为Pconv模块；将预处理后的晶圆图像输入到经训练的晶圆缺陷检测模型，得到缺陷检测结果，解决计算量大、准确度低的问题。
-
公开(公告)号：CN119205560A
公开(公告)日：2024-12-27
申请号：CN202411716274.0
申请日：2024-11-27
Applicant: 华侨大学
IPC: G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/50 , G06T5/60 , G06F16/51
Abstract: 本发明公开了一种基于深度学习的Mini‑LED晶圆表面缺陷数据增强方法及装置，涉及图像处理领域，包括：构建基于每种缺陷类型的#imgabs0#网络的扩散模型，扩散模型包括加噪过程和去噪过程，对#imgabs1#网络进行训练，得到经训练的每种缺陷类型的#imgabs2#网络；随机采样高斯噪声图，并输入到经训练的每种缺陷类型的#imgabs3#网络，得到每种缺陷类型对应的预测噪声，并生成得到每种缺陷类型的生成缺陷图像，构建生成缺陷图像库；从生成缺陷图像库中随机选择生成缺陷图像并进行随机变换，得到变换后的生成缺陷图像，通过图像空间处理将变换后的随机选择的生成缺陷图像与背景图像进行合成，得到合成图像。本发明解决了现有图像数据增强技术存在不稳定性和效果不佳的问题。
-
公开(公告)号：CN118334032B
公开(公告)日：2024-08-27
申请号：CN202410765185.9
申请日：2024-06-14
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06N5/04 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于轻量化目标检测模型的晶圆缺陷检测方法及装置，涉及目标检测领域，包括：构建晶圆缺陷检测模型并训练，得到经训练的晶圆缺陷检测模型，晶圆缺陷检测模型包括多分支跨层聚合特征提取网络、多分支跨层聚合特征金字塔网络和部分卷积检测头网络，多分支跨层聚合特征提取网络和多分支跨层聚合特征金字塔网络在YOLOv8网络的特征提取网络和路径聚合网络的基础上将C2F模块替换为MBGB模块，将C2F模块之后的CBS模块替换为下采样模块，部分卷积检测头网络在YOLOv8网络的检测头网络的基础上将回归头和分类头的第一个CBS模块替换为Pconv模块；将预处理后的晶圆图像输入到经训练的晶圆缺陷检测模型，得到缺陷检测结果，解决计算量大、准确度低的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.024 seconds)
