公开(公告)号：CN115187808A

公开(公告)日：2022-10-14

申请号：CN202210761753.9

申请日：2022-06-30

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈震 ,  王鸿鹏 ,  程正涛 ,  王子涵

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/20 ,  G06N3/08

Abstract: 本发明提供了一种基于图像的电子元器件缺陷检测方法，包括：步骤1：初始训练数据集；步骤2：训练初始分类模型；步骤3：判断是否出现新类别图像，若是，那么执行步骤4，否则执行步骤A1；步骤4：收集新类别训练数据；步骤5：增量调整初始模型；步骤6：更新后的分类模型，然后执行步骤A1；步骤A1：对测试图像进行分类；步骤A2：图像进入相应的预处理模型。本发明的有益效果是：本发明将持续学习方法引入电容识别任务有效缓解灾难性遗忘并提升模型识别准确率，在图像分类领域中,经过训练的深度神经网络分类模型能够识别出图像中不同类别的物体,并且已经可以达到较高的识别率。

公开(公告)号：CN115187808B

公开(公告)日：2025-05-06

申请号：CN202210761753.9

申请日：2022-06-30

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈震 ,  王鸿鹏 ,  程正涛 ,  王子涵

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/20 ,  G06N3/08

Abstract: 本发明提供了一种基于图像的电子元器件缺陷检测方法，包括：步骤1：初始训练数据集；步骤2：训练初始分类模型；步骤3：判断是否出现新类别图像，若是，那么执行步骤4，否则执行步骤A1；步骤4：收集新类别训练数据；步骤5：增量调整初始模型；步骤6：更新后的分类模型，然后执行步骤A1；步骤A1：对测试图像进行分类；步骤A2：图像进入相应的预处理模型。本发明的有益效果是：本发明将持续学习方法引入电容识别任务有效缓解灾难性遗忘并提升模型识别准确率，在图像分类领域中,经过训练的深度神经网络分类模型能够识别出图像中不同类别的物体,并且已经可以达到较高的识别率。