基于改进ENet算法的工业皮带输送中的异物检测方法

在工业生产过程中,皮带输送是一种广泛被采用的物料输送方式,但是在输送过程中难以避免异物的产生,这些异物可能对生产过程造成严重的影响。为了高效准确地检测皮带输送中的异物,文章提出了一种基于卷积神经网络的异物检测方法。该方法主要基于ENet网络改进而来,通过引入注意力机制和特征融合技术,能够高效地获得物体不同尺度下的信息,实现异物的自动检测。实验显示,该技术能够迅速精准地分离出皮带上的异物,进而推动了深度学习技术在生产流程中的具体运用。

基于旋转目标芯片表面缺陷检测方法的研究

在芯片生产制造过程中,程序烦琐、难度大、技术含量高。同时,在每个生产工序中可能出现缺陷,这些缺陷会对下一道工序产生严重影响。芯片的缺陷类别多样,以及芯片的位置摆放又各异,这样就大大增加了芯片检测难度,所以文章主要从芯片的表面缺陷入手,采用一种基于旋转目标芯片表面缺陷的检测方法。该方法主要基于Rotated FCOS网络,通过引入旋转框的方式实现芯片表面引脚缺陷检测,该方法能够高效地检测不同摆放位置地引脚芯片位置。通过实验对比显示,该方法比基于正常矩形框的目标检测准确率高。

基于深度学习的二值测量矩阵自适应构建方法

在基于压缩感知的计算鬼成像领域中,测量矩阵的设计问题一直是被研究的对象。理想的测量矩阵需要满足较高的采样效率、较好的重构效果和较低的硬件实现要求。为了减轻测量矩阵的设计与实现难度,提出了一种基于深度学习的二值测量矩阵的构建方法。该方法通过卷积操作模拟图像的压缩采样过程,并利用设计的采样网络对图像数据进行训练,以自适应的方式对测量矩阵进行迭代更新。仿真与实验结果表明,构建的测量矩阵能够在较低采样率条件下得到高质量的重构图像,进一步促进了计算鬼成像的实际应用。