应用深度卷积的涂布缺陷检测方法

针对反渗透膜片涂布工艺中产生的缺陷检测仍依赖人工完成且识别难度高、检测效率低、非智能化等一系列问题,以图像预处理作为基础,在保证最大限度提取原始图像的特征前提下,设计了一种应用深度卷积神经网络的涂布缺陷识别方法,设计了合理的卷积神经网络层次架构及参数,根据大量原始缺陷图像特征构建了一个适当的神经网络识别模型。实验结果表明:应用深度卷积神经网络的涂布缺陷检测算法正确识别率达到92%以上,可快速、准确地进行缺陷类别检测,该检测识别技术可应用于同类的涂布制造领域,具有重要的理论研究价值与实践意义。

应用卷积神经网络的锂电池极片涂布缺陷分类

目的针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51 ms。结论改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。