深度学习方法已在图像识别领域有了广泛的应用,相较于光学图像识别,合成孔径声呐图像识别存在图像分辨率低、小目标特征模糊、样本获取困难、缺少完备样本集的问题。为此,文章提出一种改进Faster R-CNN(Faster Region Convention Neural...深度学习方法已在图像识别领域有了广泛的应用,相较于光学图像识别,合成孔径声呐图像识别存在图像分辨率低、小目标特征模糊、样本获取困难、缺少完备样本集的问题。为此,文章提出一种改进Faster R-CNN(Faster Region Convention Neural Network)模型的合成孔径声成像目标检测方法,采用添加注意力机制的金字塔特征提取网络,提高特征模糊样本中小目标检测概率,采用梯度协调机制的区域适应网络解决简单样本和困难样本分布不均问题。通过实际合成孔径声成像数据验证表明,该方法较好地实现了合成孔径图像中多类别小目标的智能检测。展开更多
陶瓷基板是半导体元器件的重要基础材料,其瑕疵检测对保证产品质量具有重要的意义。提出了一种基于改进YOLOV4网络的陶瓷基板瑕疵自动检测方法。针对陶瓷基板瑕疵尺寸较小、颜色形状多变以及不同类瑕疵间尺寸变化较大导致的瑕疵检测困...陶瓷基板是半导体元器件的重要基础材料,其瑕疵检测对保证产品质量具有重要的意义。提出了一种基于改进YOLOV4网络的陶瓷基板瑕疵自动检测方法。针对陶瓷基板瑕疵尺寸较小、颜色形状多变以及不同类瑕疵间尺寸变化较大导致的瑕疵检测困难问题,改进的YOLOV4网络通过借鉴Complete Intersection over Union(CIoU)思想优化初始先验框设计,引入基于梯度协调机制的置信度损失函数和十字交叉注意力网络来改善缺陷检测能力。实验结果表明,基于改进YOLOV4的陶瓷基板瑕疵检测方法对于陶瓷基板污染、异物、多金、缺瓷以及损伤这5类瑕疵检测的平均准确性达到98.3%,可满足工业现场对陶瓷基板瑕疵的检测精度要求。展开更多
文摘陶瓷基板是半导体元器件的重要基础材料,其瑕疵检测对保证产品质量具有重要的意义。提出了一种基于改进YOLOV4网络的陶瓷基板瑕疵自动检测方法。针对陶瓷基板瑕疵尺寸较小、颜色形状多变以及不同类瑕疵间尺寸变化较大导致的瑕疵检测困难问题,改进的YOLOV4网络通过借鉴Complete Intersection over Union(CIoU)思想优化初始先验框设计,引入基于梯度协调机制的置信度损失函数和十字交叉注意力网络来改善缺陷检测能力。实验结果表明,基于改进YOLOV4的陶瓷基板瑕疵检测方法对于陶瓷基板污染、异物、多金、缺瓷以及损伤这5类瑕疵检测的平均准确性达到98.3%,可满足工业现场对陶瓷基板瑕疵的检测精度要求。
