Sep, 2024

废弃印刷电路板中电子元件的实时检测：基于变压器的方法

HTML
PDF
TL;DR本研究解决了在废弃印刷电路板中有效回收关键原材料（CRMs）的问题，提出了一种利用机电系统和人工视觉技术选择性拆解电子元件的新方法。研究显示，基于变压器模型的实时电子元件检测和定位具有很高的准确性，超越了最新的对象检测和定位技术。
发现论文，激发创造
  • 基于深度卷积自编码器的加油站油泵PCB修改检测

    本研究提出了一种基于深度卷积自编码器的方法，用于检测组装印刷电路板的修改，通过对比输入图像和其重建图像，在像素级别上分割异常和修改，在真实环境数据集上对于该场景的异常分割性能优于其他先进方法，并在更普遍的物体异常检测任务的MVTec-AD数据集上产生了可比较的结果。

    Sep, 2022

  • 利用多视角数据提高检测性能：一个工业应用案例

    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

  • 实施基于边缘的微塑料残骸目标检测

    使用计算机视觉和开放视觉的增强卷积神经网络方法检测塑料残留物，以解决塑料垃圾在环境中的积累和污染问题。

    Jul, 2023

  • 通过焊膏检查特征上的数据中心机器学习来检测PCB制造缺陷

    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

  • EWasteNet: 一种用于电子垃圾分类的双流数据高效图像转换器方法

    本文提出了一个包含八种不同类别电子设备图像的全面数据集——E-Waste Vision Dataset，并介绍了EWasteNet，一种基于数据有效的图像转换器（DeiT）的精确电子废弃物图像分类的新型两流方法。该方法通过Sobel算子检测边缘来完成第一流，通过Atrous空间金字塔池化和注意力块来捕捉多尺度上下文信息的第二流。我们同时训练这两个流，它们的特征在决策层被合并。该方法在处理电子废弃物管理的全球关切方面具有显著的有用性，通过准确地对电子废弃物图像进行分类，减少了与不当处理相关的健康与安全风险，促进了高效的废物处理和回收。

    Sep, 2023

  • 利用卷积神经网络分类智能手机部件进行回收

    通过使用图像分类神经网络作为处理智能手机废料的一种更高效、成本更低、更广泛适用的替代工具，我们调查了在循环经济中废弃电子设备的回收利用，以实现环境和经济的显著收益。我们使用了1,127个经过热解的智能手机组件图像构建数据集，并使用VGG-16图像分类模型进行训练和评估，模型达到了83.33%的准确性，为使用这样的神经网络在材料分离中的可行性提供了支持。

    Dec, 2023

  • PCB-Vision：一个印刷电路板的多场景RGB-高光谱基准数据集

    本研究探讨回收电子废物（电子废品）的关键问题，致力于开发先进的自动化数据处理流程作为决策和过程控制的基础。使用RGB和高光谱成像数据的非侵入性分析方法，提供定量和定性的洞察电子废物组成，以优化回收效率，并通过提供多个场景的基准数据集和多个现代模型的性能进行广泛的统计研究。

    Jan, 2024

  • 医疗材料自主分拣、映射和数量化的同步物体检测

    本文提出了实时同步的物体检测方法，以实现废弃医疗材料的自主分类、映射和计量，以解决循环经济的相关问题。

    May, 2024

  • 衡量电子组件的可回收性以辅助自动拆卸和分拣废弃印刷电路板

    利用数学创新模型对废弃电子元件的可回收性进行测量，并结合人工智能模型，提高废弃电路板的自动拆卸和分类效率，帮助精确确定类别和迭代训练验证个别电子组件。

    Jun, 2024

  • 虚拟矿山 -- 基于深度学习的印刷电路板零部件回收

    使用机器学习和计算机视觉技术改进电子废物回收过程的概述性文章，描述了基于深度学习模型的管道，用于组件级别的回收印刷电路板，在局部开发的数据集和预训练的YOLOv5模型的分析结果基础上，实现了令人满意的精确性和召回率。

    Jun, 2024