-
公开(公告)号：CN116128800A
公开(公告)日：2023-05-16
申请号：CN202211461904.5
申请日：2022-11-22
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06T7/11 , G06V10/764 , G06V10/774 , G06N3/084 , G06V10/82 , G06T7/136 , G06N3/0464
Abstract: 本发明提供了一种基于ViG的手机麦克风零件缺陷检测与分割方法，首先根据手机麦克风零件的结构将其样本图分割成多个部分：音腔(出音口)、专业集成电路、打线、边缘区域等四个基础区域。使用K近邻(K‑nearest neighbor，KNN)算法分别将分割后的四个区域的样本图像表示成图数据；然后将分割后的不同部分的麦克风零件图输入到ViG框架中，使用训练好的图卷积网络(Graph Convolutional Network，GCN)模型对图进行特征提取；最后模型输出其测试节点的分类，准确定位特征异常的节点，快速地实现了工业生产中手机麦克风零件图像的精准缺陷检测与分割。
-
公开(公告)号：CN115913388A
公开(公告)日：2023-04-04
申请号：CN202211285741.X
申请日：2022-10-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供了一种应用于DAS系统的IQ解调硬件装置及其使用方法。目前DAS系统皆采用高速数据采集卡回收探测数据，DAS系统所产生的海量数据，给予处理端硬件及算法处理巨大压力。研究者们在采集数据后，往往使用预处理方法来降低运算成本，再进行信号的解调。本申请提出硬件解调方法，采用IQ解调算法，设计硬件模块装置，于DAS系统信号输出端同步解调数据，信号流从DAS系统中输出后直接被IQ硬件解调模块实时解调，并被采集卡同步采集。根据本申请的DAS系统的IQ硬件解调方法，结构简洁有效，成本低廉，有效缓解DAS系统产生的海量数据处理压力，有效降低相关硬件配置要求，提高信号处理效率，并且使系统具备实时解调能力。
-
公开(公告)号：CN115859215A
公开(公告)日：2023-03-28
申请号：CN202211545412.4
申请日：2022-12-05
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/25 , G06F18/23213 , G06F18/2415 , G06N7/01
Abstract: 本发明提供一种基于机器学习的地学数据伪标签智能生成方法。该方法提出了利用K‑means聚类算法，直推学习和标签传播算法由相对多数投票法生成伪标签的方法。可以实现利用已有的少量标签，利用标签传播算法生成的标签、在少量标签上监督学习构建的模型所预测的标签、基于自身的相似性聚类生成的标签，三种算法生成的标签通过相对多数投票法相集成构建具有高置信度的伪标签，最终结合监督学习所得模型进行训练得到最终的模型。
-
Patent Agency Ranking
公开(公告)号：CN115866502A
公开(公告)日：2023-03-28
申请号：CN202211271493.3
申请日：2022-10-18
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H04R29/00
Abstract: 本发明提供了一种麦克风零件表面缺陷在线检测流程，产品缺陷通常有十多种，检测的先后次序对准确性具有极大的影响。具体包括三步：首先对表面损坏、打线弯曲、刮痕等大面积缺陷进行检测。其次对其表面水渍、胶水滴落、焊锡不均匀、断裂等易受光线影响的缺陷进行检测。最后，对其表面微小异物、污点、毛刺等进行检测，本阶段同时对前两阶段进行复检。该检测流程降低生产线上麦克风半成品缺陷检测的误检率、漏检率，并极大提高检测效率。
-
公开(公告)号：CN115731184A
公开(公告)日：2023-03-03
申请号：CN202211461908.3
申请日：2022-11-22
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06N3/084 , G06V10/764 , G06V10/40 , G06V10/74 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于ViG的手机麦克风零件缺陷检测方法，包括以下步骤：步骤一：首先将正常麦克风零件样本图分为大小相同的patch，每个patch代表图结构中的一个节点，对于每个节点通过K近邻(K‑nearest neighbor，KNN)算法找到它的K个最近邻节点并为其添加边，实现基于图像的图表示；步骤二：然后将待测图输入到ViG(Vision Graph neural network)框架中，使用训练好的图卷积网络(Graph Convolutional Network，GCN)模型对正常样本麦克风零件图进行特征提取；步骤三：使用马氏距离以并行计算的方式测出所提取到的节点特征之间的距离，并得出所测试图的异常分数，实现麦克风零件图的缺陷检测。本方法实现了工业生产中零件缺陷检测，提升了网络的缺陷检测效率。
-
公开(公告)号：CN118229619A
公开(公告)日：2024-06-21
申请号：CN202410070973.6
申请日：2024-01-18
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/77 , G06V10/52 , G06V10/22 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/08
Abstract: 本发明属于麦克风缺陷检测技术领域，公开了一种基于改进Faster R‑CNN模型的麦克风缺陷检测方法，包括通过对标注后的麦克风数据集进行数据增广处理以增加缺陷样本的数量和多样性，对目标检测模型进行改进，包括：在特征提取网络中嵌入AFPN渐近特征金字塔网络以提高检测模型提取多尺度特征的能力，并将区域建议网络中的边界框损失函数替换成MPDIOU损失函数以提高检测模型的精度。本方案通过改进模型的方式，在提高了检测麦克风缺陷精度的同时实现了多尺度缺陷目标检测，能够同时检测麦克风中污点、划痕等尺寸差异较大的缺陷，极大地保障了麦克风的质量和生产效率。
-
公开(公告)号：CN115690010A
公开(公告)日：2023-02-03
申请号：CN202211270410.9
申请日：2022-10-18
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06T7/11 , G06V10/74 , G06V10/75 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图卷积网络(GCN)的麦克风零件机器视觉缺陷检测方法。该方法设计了一个基于GCN的麦克风零件图像分割方法，首先将麦克风零件样本图根据其结构组成分割为多个区域：边框、音腔(出音口)、专业集成电路、打线等四个基础区域，并对四个不同的区域进行图像预处理；其次通过简单线性迭代聚类(SLIC)算法对麦克风零件图像中的具有相似特征的像素点进行聚类，实现了将图像(image)中的像素解释为图结构(graph)中具有相互关联的节点。最后，将检测样本输入到GCN模型中对其进行节点分类，高效地实现了对工业生产中麦克风零件图像的精准缺陷检测。
-
公开(公告)号：CN115661121A
公开(公告)日：2023-01-31
申请号：CN202211421171.2
申请日：2022-11-14
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06V10/764 , G06Q10/10 , G06F16/28 , G06F16/21
Abstract: 本发明提供了一种基于工作流挖掘的手机麦克风表面缺陷检测优化方法，包括以下步骤：步骤1，通过缺陷检测的基础事件日志，并对日志中检测步骤进行解析，形成主干检测流程；步骤2，基于附加的错检、漏检的附加日志信息，对主干检测流程进行优化，从而形成完整的手机麦克风的检测流程。该方法比传统的检测设计流程具有更好的完备性、准确性和可靠性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.03 seconds)
