-
公开(公告)号：CN115049581B
公开(公告)日：2024-10-18
申请号：CN202111338786.4
申请日：2021-11-12
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的一种笔记本屏幕缺陷检测方法、系统及设备，其中方法包括采集笔记本外观生产线高清摄像头下的检测视频，获取待检测图片，送入训练好的两阶段的分类器，获得检测结果并输出；其中模型训练步骤如下：采集图像并进行预处理，构建训练样本集，建立两阶段网络模型结构和在KolektorSDD数据集预训练网络模型，调整模型参数；两阶段网络模型参数迁移，将源域两阶段的结构和参数迁移至笔记本屏幕缺陷检测目标域，并通过输入目标域样本微调两阶段网络模型参数，以获得分类和检测网络。本发明所采用的两阶段网络模型不仅具有较小的网络模型参数，需要较低的硬件支持，降低成本问题和训练时间，而且在分类准确率也有所提高。
-
公开(公告)号：CN113743203A
公开(公告)日：2021-12-03
申请号：CN202110857220.6
申请日：2021-07-28
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种基于深度迁移学习网络的笔记本屏幕缺陷检测方法及设备，通过计算机设备实现以下步骤，S10、获取笔记本生产线下的高清摄像头视频并处理；S20、建立缺陷检测DBN网络模型结构和在源数据集预训练DBN网络模型；S30、DBN网络参数迁移，将源域的DBN结构和参数迁移至目标任务中，并通过输入目标域训练样本微调DBN网络参数；S40、对生产线高清摄像头的待检测视频，送入预训练好的DBN网络检测模型，将目标域测试样本与DBN网络生成的图像比较，通过阈值确定正常样本与缺陷样本之间的区别与分类，并获得二值图像。本发明所需的人工标注训练样本集是少量的，实现了源域与目标域的迁移和交叉训练，大大降低了工业对目标域的标注数据样本量的依赖。
-
Patent Agency Ranking
公开(公告)号：CN113569737A
公开(公告)日：2021-10-29
申请号：CN202110859010.0
申请日：2021-07-28
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种基于自主学习网络模型笔记本屏幕缺陷检测方法及介质，包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；本发明的基于自主学习网络模型笔记本屏幕缺陷检测方法，即基于自主学习的笔记本屏幕的缺陷检测和分类方法，可降低传统的笔记本生产线时间、资金成本，同时引入智能化检测和分类，对产业转型升级，提升产品质量，增强竞争力具有重大意义。
-
公开(公告)号：CN113569737B
公开(公告)日：2024-11-05
申请号：CN202110859010.0
申请日：2021-07-28
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V20/40 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06T7/00
Abstract: 本发明的一种基于自主学习网络模型笔记本屏幕缺陷检测方法及介质，包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；本发明的基于自主学习网络模型笔记本屏幕缺陷检测方法，即基于自主学习的笔记本屏幕的缺陷检测和分类方法，可降低传统的笔记本生产线时间、资金成本，同时引入智能化检测和分类，对产业转型升级，提升产品质量，增强竞争力具有重大意义。
-
公开(公告)号：CN115049581A
公开(公告)日：2022-09-13
申请号：CN202111338786.4
申请日：2021-11-12
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明的一种笔记本屏幕缺陷检测方法、系统及设备，其中方法包括采集笔记本外观生产线高清摄像头下的检测视频，获取待检测图片，送入训练好的两阶段的分类器，获得检测结果并输出；其中模型训练步骤如下：采集图像并进行预处理，构建训练样本集，建立两阶段网络模型结构和在KolektorSDD数据集预训练网络模型，调整模型参数；两阶段网络模型参数迁移，将源域两阶段的结构和参数迁移至笔记本屏幕缺陷检测目标域，并通过输入目标域样本微调两阶段网络模型参数，以获得分类和检测网络。本发明所采用的两阶段网络模型不仅具有较小的网络模型参数，需要较低的硬件支持，降低成本问题和训练时间，而且在分类准确率也有所提高。
-
公开(公告)号：CN119722611A
公开(公告)日：2025-03-28
申请号：CN202411782293.3
申请日：2024-12-05
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/09
Abstract: 本发明涉及深度学习技术领域，公开了一种基于异常提示学习的工业缺陷检测方法及存储介质，该基于异常提示学习的工业缺陷检测方法包括：利用CLIP网络，提取正常PCB样本的全局特征以及局部特征；利用语义连接在PCB正常样本的基础上，设计多个关于表面贴装缺陷的异常提示；利用显式异常边界进行提示学习，以获得足量的缺陷异常提示；根据缺陷异常提示，进行表面贴装缺陷异常检测。本发明提出的语义连接，将PCB正常样本的提示，转为工业上难以获得的缺陷异常提示，还提出显示异常边界以获取精确的缺陷异常提示，并拉开缺陷异常提示特征与正常样本提示和正常视觉特征之间的距离，从而有利于实现在无法提供异常样本图像情况下的异常检测。
-
公开(公告)号：CN118521529A
公开(公告)日：2024-08-20
申请号：CN202410402295.9
申请日：2024-04-03
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/764 , G06V10/762 , G06V10/774
Abstract: 本发明涉及印刷电路板组件缺陷检测技术领域，公开了一种基于能量分布的未知缺陷样本检测方法，将印刷电路板组件的测试样本输入到完成训练的检测模型，得到测试样本的检测结果；检测模型的构建和训练过程包括：构建检测模型；基于能量的最优传输机制；通过集群间扩展策略的无监督训练来扩大印刷电路板组件的已知缺陷类别和未知缺陷类别的能量分数，从而加强能量传输成本，进而引导未标记数据集中的样本进入不同簇。本发明为部分未标记的符合已知缺陷类别的PCBA样本分配正确的缺陷类别标签，然后让它们参与联合训练，解决了现有技术中训练数据外的缺陷检测准确率不高的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.1 seconds)
