公开(公告)号：CN109859181A

公开(公告)日：2019-06-07

申请号：CN201910084335.9

申请日：2019-01-29

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  张雨璇 ,  马峻 ,  赵爽 ,  侯杏娜 ,  郭玲 ,  黄新

IPC: G06T7/00 ,  G06K9/62

Abstract: 本发明提供了一种PCB焊点缺陷检测方法，首先，对焊点图像进行预处理，提取焊点的形状特征参数、纹理特征参数，采用SVM分类中最优的RBF核函数进行SVM分类器构建，对误检焊点，再利用基于HOG特征的第二SVM多分类器，得到最终分类准确率，本发明的分类准确率达到98.46％以上，具有一定的优越性。

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：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。