一份 PCB 缺陷检测和分类数据集
近年来,质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而,开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺,阻碍了进展。本系统性综述涵盖 2015 年至 2023 年,鉴别 15 个公开可用的数据集并对其进行关键评估,以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况,如 NEU-CLS,NEU-DET,DAGM,KolektorSDD,PCB Defect Dataset 和空心圆柱缺陷检测数据集,每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方,为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 2024
本文提出了一种多视图目标检测框架,通过使用一个新颖的多视图数据集训练目标检测模型,并开发了多视图推理方法,可以在检测尺寸从 0.5 到 27.0mm 的元件方面提高 15%性能,大大节约地面真实数据标注的资源。
Apr, 2023
使用印刷电路板制造中的焊膏检测与自动光学检测机器自动检测缺陷可以提高运营效率并显著减少人工干预的需求。本文使用提取的 600 万个引脚的焊膏检测特征,展示了一种基于数据的方法来训练机器学习模型,以便在印刷电路板制造的三个阶段检测缺陷。这些 600 万个 PCB 引脚对应着 15387 个 PCB 中的 200 万个元件。我们使用基于梯度提升的机器学习模型迭代数据预处理步骤以提高检测性能。通过使用元件和 PCB ID 的引脚级焊膏检测特征,我们还在元件和 PCB 级别上开发了培训实例。这使得机器学习模型能够捕捉到可能在引脚级别不明显的引脚间、元件间或空间效应。我们在引脚、元件和 PCB 级别上训练模型,并将来自不同模型的检测结果组合起来识别有缺陷的元件。
Sep, 2023
本文回顾了基于少量标注数据的工业产品表面缺陷检测方法,包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法;基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。
Mar, 2022
探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明,DenseNet201 在 NEU 数据集上的检测率最高,达到 98.37%。
Jun, 2024
提出了一种基于掩膜区域卷积神经网络(Mask Region-based CNN)的系统,用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割,并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。
Aug, 2018
本文提出一种带有 7 种缺陷类型的触摸屏玻璃缺陷数据集,并在此数据集上对比了 CNN 和 Transformer 两种基于目标检测的框架,以证明高分辨率图像上的缺陷检测的挑战性。
Mar, 2023
本研究探讨利用深度学习技术进行视觉品质检测问题,针对工业制造中数据重复性高的情况,提出通过学习数据中的特定缺陷类型来训练检测模型,从而使其更能检测出在新情况下出现的缺陷。同时,研究对泛化的影响,以训练在更广泛的条件下工作的模型。
May, 2023
本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域,通过改进缺陷实例分割技术,成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案,并且可以精确计算缺陷表面积和数量。
Nov, 2022