基于Swin-Transformer的岩石自动分类识别

地质勘探领域中,岩石准确识别对于资源评估、勘探定位以及环境保护等方面具有重要意义。然而,传统岩石识别方法依赖于地质学家的观察和经验,存在效率低、主观性强和对专家经验依赖等问题。为了解决以上问题,提出了一种基于Swin-Transformer的岩石自动分类识别算法。该算法通过引入分阶段的注意力机制,将图像分割成不同的块,利用窗口化注意力机制使得每个图像块只与其附近的块进行交互,从而显著降低了计算和内存消耗。实验结果表明,与当前流行的分类模型如ResNet和EfficientNet相比,提出的模型在分类识别效率和准确率上都有显著提高,Top-1准确率达到91.3%,Top-5准确率可达到98.56%。不仅提高了岩石识别的准确性和效率,且通过自动化处理流程,减少了对人工干预的依赖,为地质学研究和工程应用提供了有力支持。

基于改进Cascade RCNN的集成电路板瑕疵检测算法

针对集成电路板视觉瑕疵检测中存在背景复杂多样、检测目标较小、瑕疵难定位的问题,以及工业生产中满足安全性和高精度的检测要求,提出了一种改进Cascade RCNN算法,并设计了网络模型。该模型以Cascade RCNN为基础检测网络,选用特征提取效果较好的ResNet50作为其骨干网络,并针对集成电路板表面缺陷尺寸变化较大的问题融入了FPN思想,将ResNet50输出的具有大量位置信息的浅层特征层和具有丰富语义信息的深层特征层进行均衡化融合,搭建了一种Cascade RCNN-ResNet-FPN模型架构。实验结果表明,针对集成电路板瑕疵这种小目标检测,改进Cascade RCNN算法相较于基本Cascade RCNN模型、SSD模型以及YOLO模型,安全性以及mAP均有较大的提升,适用于集成电路板瑕疵自动检测。