-
公开(公告)号：CN113902966A
公开(公告)日：2022-01-07
申请号：CN202111177180.7
申请日：2021-10-09
Applicant: 江苏大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06V10/56 , G06K9/62 , G06N3/04 , G06T7/00 , G06T7/70
Abstract: 本发明公开了一种针对电子元器件的无锚框目标检测网络及应用该网络的检测方法，该针对电子元器件的无锚框目标检测网络包括Encoder、Decoder、Head部分，其中，Encoder部分包括改进型主干特征提取网络EfficientNet，该EfficientNet包括MBConv‑ECA模块以及可变性卷积模块，Decoder部分包括实现上采样功能的反卷积模块，Head部分包括分类预测以及边界框回归预测模块，在分类预测与边框回归预测之后，对该无锚框目标检测网络正向传播的结果与真实值进行损失计算并进行反向传播，从而更新梯度，完成网络的训练；利用该网络实现对电子元器件的无锚框目标检测，能够实时获得电子元器件的类别及其位置信息，实现电子元器件的实时检测。
-
公开(公告)号：CN119399146A
公开(公告)日：2025-02-07
申请号：CN202411453724.1
申请日：2024-10-17
Applicant: 江苏大学
Abstract: 本发明公开了一种改进型YOLOv8芯片表面缺陷检测模型构建方法及应用，通过搭建改进型YOLOv8目标检测模型的网络结构，包括Backbone模块、Neck模块和Head模块；Backbone模块包括多层DCNv3网络、C2f网络和SPPF网络，对图片进行多层卷积处理后输出第一有效特征层、第二有效特征层和第三有效特征层；Neck模块采用BiFPN双向特征金字塔特征融合结构，将Backbone模块输出的3个有效特征层输入Concat_BiFPN网络中进行双向自适应融合，随后分别经CBAM注意力机制网络输出；Head模块包括Detect网络结构，Detect网络结构与CBAM注意力机制网络连接，输出目标检测结果；利用改进型YOLOv8目标检测模型结构对芯片表面缺陷精准识别，提高对不同类型缺陷的适应性。
-
公开(公告)号：CN119399143A
公开(公告)日：2025-02-07
申请号：CN202411453712.9
申请日：2024-10-17
Applicant: 江苏大学
IPC: G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种改进型YOLOv8芯片表面缺陷轻量化目标检测模型及其训练方法与应用，搭建改进型YOLOv8芯片表面缺陷轻量化目标检测模型，包括Backbone部分、Neck部分和Head部分，Backbone部分多个AKConv模块和C2f模块堆叠而成，对输入的图片进行多次卷积，并输出多层有效特征层至Neck模块；Neck部分包括多尺度特征增强模块和跨尺度通道融合模块CCFM，多尺度特征增强模块采用RepGFPN网络，对Backbone部分输出的多层有效特征层进行有效融合；跨尺度通道融合模块CCFM用于自动调节特征融合权重；Head部分输出芯片表面缺陷检测结果；利用训练好的改进型YOLOv8目标检测模型对芯片表面缺陷进行检测，可以克服对于小目标、复杂背景时检测效果不佳的缺陷，提升缺陷检测的速度与精度。
-
Patent Agency Ranking
公开(公告)号：CN113902966B
公开(公告)日：2025-04-08
申请号：CN202111177180.7
申请日：2021-10-09
Applicant: 江苏大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06V10/56 , G06N3/0464 , G06T7/00 , G06T7/70 , G06N3/045
Abstract: 本发明公开了一种针对电子元器件的无锚框目标检测网络及应用该网络的检测方法，该针对电子元器件的无锚框目标检测网络包括Encoder、Decoder、Head部分，其中，Encoder部分包括改进型主干特征提取网络EfficientNet，该EfficientNet包括MBConv‑ECA模块以及可变性卷积模块，Decoder部分包括实现上采样功能的反卷积模块，Head部分包括分类预测以及边界框回归预测模块，在分类预测与边框回归预测之后，对该无锚框目标检测网络正向传播的结果与真实值进行损失计算并进行反向传播，从而更新梯度，完成网络的训练；利用该网络实现对电子元器件的无锚框目标检测，能够实时获得电子元器件的类别及其位置信息，实现电子元器件的实时检测。
-
公开(公告)号：CN118447012A
公开(公告)日：2024-08-06
申请号：CN202410680256.5
申请日：2024-05-29
Applicant: 江苏大学
IPC: G06T7/00 , G06V10/40 , G06V10/82 , G06V10/764 , G06V10/766
Abstract: 本发明公开了一种基于Transformer的芯片表面缺陷检测方法、装置和电子设备，系统包括图像预处理模块、特征提取模块、高斯热力图前景监督模块、可学习查询向量模块、编码器、解码器；特征提取模块内置ResDCA‑Net特征提取网络，利用ResDCA‑Net特征提取网络对图像中缺陷进行特征提取；高斯热力图前景监督模块从特征中筛选出前景特征Token；编码器接收前景特征Token，并从中提取出多尺度特征；可学习查询向量模块用于输出可学习查询向量；解码器接收多尺度特征和可学习查询向量，解码得到芯片表面缺陷检测结果。本发明能够对形状复杂多变芯片缺陷特征进行高质量表征、增加对前景缺陷特征的关注、大幅降低基于Transformer编码器计算量、提高模型的收敛速度，实现芯片缺陷的高质量检测。
-
公开(公告)号：CN118195357A
公开(公告)日：2024-06-14
申请号：CN202410434852.5
申请日：2024-04-11
Applicant: 江苏大学
IPC: G06Q10/0637 , G06Q50/04 , G06N7/01 , G06N7/02 , G06N3/126 , G06F18/10 , G06F18/213 , G06F18/2415
Abstract: 本发明公开了一种不确定环境下智能制造车间关键性能预测方法及智能管理平台，通过获得智能制造车间内部设备的状态数据形成数据集，对数据集进行预处理获取关键节点；基于模糊动态贝叶斯网络，构建随时间变化的关键性能发展趋势模型；将关键节点作为关键性能发展趋势模型的输入，利用关键性能发展趋势模型对智能车间异常进行预测；基于步骤的预测结果，若智能车间存在异常，采用模糊遗传算法进行求解优化，调整智能车间的生产计划。本发明针对不确定环境下智能车间关键性能预测，能够解决现有技术中预测不准确、优化目标不足，影响正常生产进行的问题。
-
公开(公告)号：CN115019302A
公开(公告)日：2022-09-06
申请号：CN202210660801.5
申请日：2022-06-13
Applicant: 江苏大学
IPC: G06V20/68 , G06V10/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06T7/73 , G06T7/521 , G06T7/80 , G06N3/04 , G06N3/08 , A01D91/04
Abstract: 本发明公开了一种改进型YOLOX目标检测模型构建方法及其应用，本申请针对YOLOX基本目标检测模型并进行网络改进，主要分为三个模块：主干特征提取模块、加强特征提取模块和预测特征模块。主干特征提取网络的基础上增添了SE注意力机制模块，通过自主学习的方式来获取到每个特征通道的重要程度，明确建模网络卷积特征通道之间的相互依赖关系来提高网络生成的表示质量，从而筛选出针对通道的注意力，有效地改善网络性能。加强特征提取网络采用ASFF自适应空间特征融合结构；基于所构建的改进型YOLOX目标检测模型结合RealSense相机获取到的深度信息输出三维坐标，实现目标定位。本发明在自然环境下果实采摘问题中，相对于传统方法识别精度要高且识别速度要更快。
-
公开(公告)号：CN114863112A
公开(公告)日：2022-08-05
申请号：CN202210586858.5
申请日：2022-05-27
Applicant: 江苏大学
Abstract: 本发明公开了改进U‑net语义分割模型构建方法及用于茶嫩芽识别与采摘点定位方法、系统，通过构建改进的U‑net语义分割网络结构，并利用带标签嫩芽数据集和不带标签嫩芽数据集对改进的U‑net语义分割网络进行训练，实现半监督学习。实时拍摄茶叶嫩芽图片，经预处理后输入到训练好的网络模型进行特征提取和加强特征提取得到语义分割预测结果，其中改进的预测头部网络涉及到MSA模块，实现多尺度通道注意力；最终根据语义分割结果，定位出嫩芽采摘点坐标，实现基于改进U‑net语义分割模型的茶嫩芽的实时识别和采摘点定位。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
