-
公开(公告)号：CN111583187B
公开(公告)日：2023-11-07
申请号：CN202010291461.4
申请日：2020-04-14
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
IPC: G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于CNN可视化的PCB电路板缺陷检测方法，克服了卷积神经网络可解释性差的问题，利用CNN模型结合其模型可视化来修正训练数据误差，检查模型类别定位的准确性来提高缺陷检测的精度。描述通过卷积神经网络对采集到的PCB电路板图像数据进行训练，然后通过Grad‑CAM类别定位热力图来对可视化模型的预测的依据是否正确，同时可以检测预测错误的数据错误的原因，然后对数据进行调整，减少训练集的误差，从而达到提高数据集的精度。
-
公开(公告)号：CN112184679A
公开(公告)日：2021-01-05
申请号：CN202011064186.9
申请日：2020-09-30
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明公开了一种基于YOLOv3的酒瓶瑕疵自动检测方法，该方法利用YOLOv3网络结构去学习到通过人工采集标记的酒瓶瑕疵图片数据中的缺陷特征之后，得到一个可以自动识别生产中的酒瓶上是否含有瑕疵的模型，然后将这个模型加载到一个实时酒瓶识别系统中去，实时拍摄然后实时返回识别的结果，就能解决人工检测带的低效率和精度的问题，帮助提升生产过程的自动化程度，该方法检测速度非常快，可以一秒检测多张图像，满足大批量检测任务的需求，并且克服了之前版本对于小尺寸的目标识别精度不高的缺陷，检测的精度得到显著提高。本发明还具有操作方便、容易实施的优点。
-
公开(公告)号：CN111553350B
公开(公告)日：2023-11-24
申请号：CN202010340618.8
申请日：2020-04-26
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
IPC: G06V20/62 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/044
Abstract: 本发明公开一种基于深度学习的注意力机制文本识别方法，包括S1、获取模型训练数据集；S2、对所述模型训练数据集进行预处理；S3、构建模型卷积层，输入所述模型训练数据集进行特征提取，获得图像的特征图，以待输出给后面循环神经网络结构，其视觉特征是通过卷积层与最大池层交错的多层卷积神经网络提取的，CNN接受原始输入，并生成尺寸为D×H×W的特征网格V，其中D表示通道数，H和W是结果特征图的高度和宽度等6个步骤，本发明克服了使用基于CTC的模型的神经OCR技术文本识别准确率低的难题，同时可以显著较少网络的计算量，并且能保证模型对公式的预测精度没有太大的下降。
-
公开(公告)号：CN112016462A
公开(公告)日：2020-12-01
申请号：CN202010884925.2
申请日：2020-08-28
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明公开了一种基于深度学习模型的回收瓶分类方法，包括如下步骤：S01：获取回收瓶图像，对各个回收瓶图像进行标注和定义类别，形成训练图像数据集、验证图像数据集和测试图像数据集；S02：建立深度学习模型，采用训练图像数据集对所述深度学习模型进行训练；S03：采用验证图像数据集和测试图像数据集对训练之后的深度学习模型进行验证和测试，若验证或测试结果达不到设定值，则返回步骤S02继续进行深度学习模型训练；若验证或测试结果达到设定值，则得到预测模型；S04：对预测模型加载在回收装置中，所述预测模型的输出结果控制机械手对回收瓶进行分类。本发明提供的的一种基于深度学习模型的回收瓶分类方法，用以提高回收瓶的识别和回收效率。
-
公开(公告)号：CN112418131A
公开(公告)日：2021-02-26
申请号：CN202011381559.5
申请日：2020-12-01
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明公开了一种基于半锚式检测器的目标检测方法，获取目标检测图像；将所述目标检测图像中的缺陷进行标注，将标注之后的目标检测图像进行可视化；根据不同缺陷的目标检测图像对应的数据量占比，将目标检测图像分为训练图像和测试图像；搭建半锚式检测器模型结构，输入所述训练图像，利用梯度下降法和focal损失来训练半锚式检测器模型结构，反复学习后得到收敛后的半锚式检测器模型；利用所述测试图像对半锚式检测器模型进行测试，若所述半锚式检测器模型的准确率大于阈值，则输出半锚式检测器模型。本发明可以提高产线上酒瓶缺陷检测的速度和准确率。
-
Patent Agency Ranking
公开(公告)号：CN111583187A
公开(公告)日：2020-08-25
申请号：CN202010291461.4
申请日：2020-04-14
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明公开了一种基于CNN可视化的PCB电路板缺陷检测方法，克服了卷积神经网络可解释性差的问题，利用CNN模型结合其模型可视化来修正训练数据误差，检查模型类别定位的准确性来提高缺陷检测的精度。描述通过卷积神经网络对采集到的PCB电路板图像数据进行训练，然后通过Grad-CAM类别定位热力图来对可视化模型的预测的依据是否正确，同时可以检测预测错误的数据错误的原因，然后对数据进行调整，减少训练集的误差，从而达到提高数据集的精度。
-
公开(公告)号：CN112598048A
公开(公告)日：2021-04-02
申请号：CN202011501523.6
申请日：2020-12-16
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 一种根据物体的统计特性自适应的选择正负样本的方法，步骤如下：分析找寻基于锚点定位的检测网络和不基于锚点定位的检测网络方法的区别，去除掉S1中两种检测网络以外的影响，保持两种检测网络采用相同损失函数，并采用相同优化方法进行训练后进行对比，分析两种网络在目标检测中的分类任务实现方法上的区别，分析两种检测网络在目标检测中的回归任务实现方法上的区别，确定更好的候选正样本，实验利用一个根据物体的统计特性自适应的选择正负样本的方法来构建网络，和原始的两种检测网络进行对比实验，得出结论，本发明提出了基于物体统计特性自适应的选择正负样本的方法和对应使用流程，未增加任何开销，应用效果大幅度提升。
-
公开(公告)号：CN110930383A
公开(公告)日：2020-03-27
申请号：CN201911138597.5
申请日：2019-11-20
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明提供基于深度学习语义分割和图像分类的注射器缺陷检测方法，包括以下步骤，S1注射器图像采集和分割数据集{TrainX1、Y1、TestX1}的制作；S2训练注射器分割网络模型，得到N1；S3利用N1对真实图片进行处理，得到注射器分割图M1并将其处理成图像X2；S4将X2进行缺陷标记后输入到分类网络中进行训练，迭代得到收敛的分类网络N2；S5联合N1和N2对注射器图像进行检测，判断是否有缺陷。本检测方法具有较好的鲁棒性，降低了背景环境对图像的干扰，在较为复杂的场景中也能表现良好，相较于传统人工检测，更加快速和准确，提高制造过程的自动化程度，大大降低企业成本，提高生产率。
-
公开(公告)号：CN110910368B
公开(公告)日：2022-05-13
申请号：CN201911138476.0
申请日：2019-11-20
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明提供基于语义分割的注射器缺陷检测方法，包括以下步骤，步骤S1：注射器图像采集，步骤S2：将json文件用代码转换成png掩膜图片，步骤S3：图像处理，即完成了注射器数据集的制作，步骤S4：构建全卷积神经网络模型，将训练数据集输入到语义分割网络中，迭代模型参数后得到收敛的分割模型，步骤S5：对模型进行测试，将测试数据集输入到语义分割网络中，得到注射器分割图，对比原图上的缺陷，判断模型的分割精度，步骤S6：导出模型文件，通过语义分割网络进行缺陷检测，自动判断注射器是否有缺陷相较于传统的人工检测，更加快速和准确，提高制造过程的自动化程度，能大大降低企业成本，同时提高生产率。
-
公开(公告)号：CN111553350A
公开(公告)日：2020-08-18
申请号：CN202010340618.8
申请日：2020-04-26
Applicant: 佛山市南海区广工大数控装备协同创新研究院 , 佛山市广工大数控装备技术发展有限公司
Abstract: 本发明公开一种基于深度学习的注意力机制文本识别方法，包括S1、获取模型训练数据集；S2、对所述模型训练数据集进行预处理；S3、构建模型卷积层，输入所述模型训练数据集进行特征提取，获得图像的特征图，以待输出给后面循环神经网络结构，其视觉特征是通过卷积层与最大池层交错的多层卷积神经网络提取的，CNN接受原始输入，并生成尺寸为D×H×W的特征网格V，其中D表示通道数，H和W是结果特征图的高度和宽度等6个步骤，本发明克服了使用基于CTC的模型的神经OCR技术文本识别准确率低的难题，同时可以显著较少网络的计算量，并且能保证模型对公式的预测精度没有太大的下降。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.064 seconds)
