公开(公告)号：CN115170422A

公开(公告)日：2022-10-11

申请号：CN202210798956.5

申请日：2022-07-08

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  黄振涛 ,  侯杏娜 ,  易木兰 ,  马峻 ,  郭玲 ,  汪韬

IPC: G06T5/00 ,  G06V10/762 ,  G06V10/74

Abstract: 本发明提出一种可以自动选择最优参数的图像滤波方法，针对晶圆图领域的混合缺陷模式晶圆图进行滤波处理，包括对混合缺陷模式的晶圆图图像进行初步聚类，形成多个小的聚类簇或噪声点，去除噪声点与噪声簇；根据设定的核心簇数量，对非核心簇进行合并或去除处理；计算合并或去除之后聚类簇的SD值，使得SD最大的核心簇数量即为最优的聚类簇数量，对应的滤波结果为最优滤波结果。本发明有效的解决了混合缺陷模式晶圆图使用传统滤波算法需要手动设置先验参数，且聚类簇数量无法确定的问题。

公开(公告)号：CN110705570A

公开(公告)日：2020-01-17

申请号：CN201910891187.1

申请日：2019-09-20

Applicant: 桂林电子科技大学

Inventor： 侯杏娜 ,  尚玉玲 ,  康怀强 ,  张雨璇 ,  易木兰 ,  陈寿宏 ,  马峻 ,  郭玲

IPC: G06K9/46 ,  G06K9/56 ,  G06K9/62 ,  G06T5/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种图像特征识别方法，包括提供图像数据集，对所述图像数据集中的每个图像进行形态学处理，并将形态学处理后的图像和原图像结合；将结合后的图像根据已知的标签使用矩形框标出设定特征的位置；将所述图像数据集中的图像随机分为训练集和验证集；利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练，以得到神经网络；利用所述神经网络对所述验证集中的图像进行试验，直到所述神经网络达到控制要求。本发明使用残差网络有效地提高了图像中设定特征位置识别的准确度，并且未对图像的轮廓进行分割处理，可以有效地保留了图像中的所有特征，取得良好的实验结果。

公开(公告)号：CN110610214A

公开(公告)日：2019-12-24

申请号：CN201910900038.7

申请日：2019-09-23

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  张雨璇 ,  康怀强 ,  易木兰 ,  侯杏娜 ,  马峻 ,  郭玲

IPC: G06K9/62 ,  G06K9/40 ,  G06N3/04

Abstract: 本发明公开了一种基于DCNN的晶圆图故障模式识别方法及系统，对晶圆图进行转换处理，将彩色图转换为64×64的灰度图，并建立数据库，使用中值滤波方法对图像进行去噪并保护图像中的细节，增强所述灰度图的特征，然后随机提取所述数据库中的80％的数据以生成训练数据集，剩余的20％的数据作为测试数据集，将所述训练数据集通过输入层导入晶圆图故障模式识别系统中的DCNN模型，训练DCNN模型，使用训练的DCNN模型对所述测试数据集进行分类，使用混淆矩阵来显示结果，提高对晶圆图故障模式识别分类的准确度。

公开(公告)号：CN115271035A

公开(公告)日：2022-11-01

申请号：CN202210798988.5

申请日：2022-07-08

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  汪韬 ,  侯杏娜 ,  易木兰 ,  马峻 ,  郭玲 ,  黄振涛

IPC: G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法。采用具备若干支路网络的DCNN结构，且最后的全连接层可以连接多个卷积层的参数。本发明从增加DCNN模型宽度的角度出发，提出多路径DCNN(MP‑DCNN，Multi Path‑DCNN)模型，通过扩展网络的宽度，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，晶圆图的部分特征会存在丢失的情况，从不同的卷积层获取的晶圆图特征，存在相互补充的作用，使得最终的晶圆图特征更加完整。多路径DCNN是在原有的DCNN结构的基础上，增加支路网络，使最后的全连接层可以连接多个卷积层的参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DCNN网络的性能。

公开(公告)号：CN110705570B

公开(公告)日：2022-06-21

申请号：CN201910891187.1

申请日：2019-09-20

Applicant: 桂林电子科技大学

Inventor： 侯杏娜 ,  尚玉玲 ,  康怀强 ,  张雨璇 ,  易木兰 ,  陈寿宏 ,  马峻 ,  郭玲

IPC: G06V10/44 ,  G06V10/36 ,  G06K9/62 ,  G06T5/30 ,  G06N3/04 ,  G06N3/08 ,  G06V10/774 ,  G06V10/80

Abstract: 本发明提供了一种图像特征识别方法，包括提供图像数据集，对所述图像数据集中的每个图像进行形态学处理，并将形态学处理后的图像和原图像结合；将结合后的图像根据已知的标签使用矩形框标出设定特征的位置；将所述图像数据集中的图像随机分为训练集和验证集；利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练，以得到神经网络；利用所述神经网络对所述验证集中的图像进行试验，直到所述神经网络达到控制要求。本发明使用残差网络有效地提高了图像中设定特征位置识别的准确度，并且未对图像的轮廓进行分割处理，可以有效地保留了图像中的所有特征，取得良好的实验结果。

公开(公告)号：CN216248792U

公开(公告)日：2022-04-08

申请号：CN202121761328.7

申请日：2021-07-30

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  易木兰 ,  马峻 ,  侯杏娜 ,  郭玲

IPC: G05B15/02 ,  G05B19/418

Abstract: 本实用新型涉及控制系统领域，具体涉及一种智能家居控制器，包括烟雾传感器、光强传感器、温湿度传感器和控制器，所述烟雾传感器、所述光强传感器、所述温湿度传感器和所述控制器连接。通过设置温湿度传感器、光强传感器和烟雾传感器可以对整个家居环境进行检测和监控，并通过ZigBee协议进行无线传输，通过PC端对数据进行接收处理，另外还可以设置摄像头对整个房子进行监控，哪里出现问题可以通过移动终端控制摄像头移动进行查看，从而可以满足现有智能家居的使用要求。