-
公开(公告)号:CN119741470A
公开(公告)日:2025-04-01
申请号:CN202411765857.2
申请日:2024-12-04
Applicant: 桂林电子科技大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06V10/80
Abstract: 本发明涉及一种基于多尺度特征融合的晶体硅光伏电池缺陷实时检测方法,包括以下步骤:建立晶体硅光伏电池缺陷电致发光图像检测数据集;构建基于RT‑DETR改进的光伏电池缺陷实时目标检测模型;使用检测数据集的训练集对光伏电池缺陷目标检测模型进行训练;使用完成训练的光伏电池缺陷目标检测模型对待检测的缺陷图像进行检测。本发明基于RT‑DETR模型提出用于晶硅体光伏电池缺陷实时检测的模型,不依赖于锚框设置和非极大值抑制处理,提高检测速度;倒置残差扩张网络IRD‑Net作为提取图像特征的骨干网络,增强静态和动态特征建模能力,同时提取基于不同尺度感受野的特征,提高检测性能;引入扩张小波跨尺度特征融合模块DWCSFM优化颈部的编码器,交替更新高层和低层特征,并减少参数数量和计算负载,进一步增强模型对不同尺度缺陷目标的检测能力。
-
公开(公告)号:CN119535227A
公开(公告)日:2025-02-28
申请号:CN202411708339.7
申请日:2024-11-27
Applicant: 桂林电子科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提出了一种基于多系数融合的锂电池健康状态估计方法,以改善传统相关性分析中对特征分布考虑不足的问题,提高对锂电池的寿命以及安全性的评估。本发明提出一种全新的方法,基于已公开锂电池充电数据转化为67维度手工特征序列数据集,通过皮尔逊相关系数,斯皮尔曼相关系数以及互信息确定各维度特征与标签的多重关系,并根据层次分析法来实现特征的选择,从而实现降维,降低模型训练所需时间,并通过经典的深度学习模型残差网络进行锂电池健康状态估计,快速分析锂电池健康状态。本发明在锂电池健康状态估计方面优于传统方法,显著降低了锂电池健康状态估计的误差,为锂电池寿命以及安全性评估提供了重要的现实意义和指导。
-
公开(公告)号:CN118171274A
公开(公告)日:2024-06-11
申请号:CN202410283066.X
申请日:2024-03-13
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F18/241 , G06F18/214
Abstract: 本发明提出了MTF预处理下一种基于DenseBlock和ResBlock结合注意机制的深度学习硬件木马检测方法。采用具备若干注意力机制支路网络的DenseNet和具备残差结构的ResNet结构。本发明基于Pytorch框架实现对硬件木马检测识别算法,提出一个新颖的深度学习模型用于检测识别硬件木马。本发明从改进DenseNet模型和ResNet的角度出发,提出Res‑Dense‑SE Net模型,通过扩展注意力机制支路,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,硬件木马特征图像的部分特征会存在丢失的情况,从注意力机制支路获取的重点特征图特征,存在相互补充的作用,使得最终的硬件木马特征图特征更加完整。同时使用该结构的硬件木马分类检测算法首先通过MTF(Markov Transition Field)预处理提取特征。本发明能够提高检测识别集成电路中硬件木马的准确率,有利于提高硬件电路安全,对于国家集成电路和半导体发展具有现实意义。
-
公开(公告)号:CN118658041A
公开(公告)日:2024-09-17
申请号:CN202410788499.0
申请日:2024-06-19
Applicant: 桂林电子科技大学
IPC: G06V10/82 , G06V10/20 , G06V10/774 , G06N3/0455 , G06N3/096
Abstract: 本发明提出了一种基于迁移学习的Swin‑Transformer的晶圆缺陷模式识别方法,以提高晶圆生产的良率和质量。本发明提出一种新颖的方法,利用已有的知识和经验,通过迁移学习将Swin‑Transformer模型应用于晶圆缺陷识别任务,显著提升了模型性能和泛化能力。本发明在晶圆缺陷模式识别方面优于传统方法,提高了半导体芯片生产故障模式的识别准确率,为半导体制造技术的发展提供了重要的现实意义和指导。
-
公开(公告)号:CN118364460A
公开(公告)日:2024-07-19
申请号:CN202410282968.1
申请日:2024-03-13
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F18/241 , G06F18/214
Abstract: 本发明提出了一种基于MobileViT架构的结合Triplet attention的硬件木马的检测方法。本发明基于Pytorch框架实现对硬件木马的检测识别算法,提出一个新颖的深度学习模型用于检测识别硬件木马。采用基于Transformer的轻量级网络MobileViT结构。本发明从改进MobileViT模型的角度出发,提出TA‑MobileViT模型,通过添加三重注意力机制,获取更丰富和更重要的网络特征,提升网络的分类性能。使用Transformer相比于CNN拥有全局提取特征的能力,从而提高模型的表现力和性能,能够更好的提取硬件木马时间序列的特征,Triplet attention能够是模型获得跨维度交互能力,进而大大提升模型分类的精度。本发明能够提高检测识别集成电路中硬件木马的准确率,有利于提高硬件电路安全,对于国家集成电路和半导体发展具有现实意义。
-
公开(公告)号:CN118314095A
公开(公告)日:2024-07-09
申请号:CN202410427700.2
申请日:2024-04-10
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/774 , G06V20/70
Abstract: 本发明提出了一种可以自动生成晶圆图语义分割数据集的方法,用于晶圆图缺陷检测的分割和分类。该方法首先对单缺陷的晶圆图进行处理,包括图像滤波、聚类、去毛边等步骤,得到单缺陷晶圆图语义分割数据集,然后通过对单缺陷晶圆图语义分割数据集进行拼接组合,生成多缺陷晶圆图语义分割数据集;为了得到更好的语义分割标签,针对8种不同类型的单缺陷晶圆图,该方法总共提出了四种解决方案,分别是线型缺陷处理法、环型缺陷处理法、局部密集型缺陷处理法和全局密集型缺陷处理法;最后,将不同缺陷类型的标签进行赋值,每个像素都被分配一个特定的数值,用于表示该像素所属的语义类别。
-
公开(公告)号:CN117876339A
公开(公告)日:2024-04-12
申请号:CN202410055153.X
申请日:2024-01-15
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于注意力机制与多尺度特征融合的多晶光伏电池缺陷识别方法。本发明从改进ConvNeXtV2模型的角度出发,提出ConvNeXt‑CWFP模型,通过注意力机制动态增加或减小多尺度特征通道的权重,进一步提高网络对多晶光伏电池缺陷模式识别的分类性能。提出的模型以ConvNeXtV2‑Base作为特征提取主干网络,在部分网络层引入通道注意力机制学习自适应权重,使得模型更加关注重要通道特征,并通过特征金字塔结构捕获不同尺度的特征,并通过池化拼接的操作融合权重增强提取的特征,以在识别光伏电池小目标缺陷方面获得更好的性能;将多晶光伏电池电致发光图像数据集以6:2:2比例划分为训练集、验证集和测试集,对所述改进网络模型进行学习训练和性能验证。本方法解决传统CNN局部特征信息不足的问题,提高了多晶光伏电池缺陷模式识别分类准确率。
-
-
-
-
-
-