【缺陷检测】印刷电路板自动缺陷检测【含GUI Matlab源码 1912期】

基于Matlab的缺陷识别检测系统 为了全面提取全连接层的 特征,采用卷积神经网络的梯度直方图和局部二值模式提 取输出特征,同时对多个不同级联分类器依次进行训练, 将得到的分类结果进行决策融合,根据决策融合结果实现 零件表面缺陷检测。近年来,基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中.本文对近年来基于深度学习的表面缺陷 检测方法进行了梳理,根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类,并对各 种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点和应用场景.。 阅读详情

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
在这里插入图片描述
🔊博主简介:985研究生,Matlab领域科研开发者;

🚅座右铭:行百里者,半于九十。

🏆代码获取方式:
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理(进阶版)

⛳️关注优快云 Matlab武动乾坤,更多资源等你来!!

⛄一、印刷电路板自动缺陷检测简介

我国是PCB生产大国,据世界电子电路理事会WECC各协会统计[1],2007年中国大陆PCB产值占全球总产值的27.9%,仅一年时间就比2006年增长了17.0%。但在我国PCB行业高速发展的同时,也面临着巨大的挑战,那就是PCB质量问题。在生产过程中任何一道工序甚至PCB上的任何1条线路出现问题都会导致整个PCB板的报废。高废品率提高了生产成本。如何及时发现并减少废品率,是当前所有PCB生产厂家的迫切需求。在当前人工目测、在线测试等众多检测方法中,自动光学检测AOI(Automatic Optic Inspection)在成本、效率、可靠性等方面都显示出独特的优势。本文通过图像处理技术开发了一套PCB缺陷自动检测系统。本文主要介绍该系统的软件实现部分。

1 系统流程
系统软件组成如图1所示。首先在同一个工作台上拍摄PCB标准图,这是为了尽量保持拍摄标准图与待测图具有相同的物距、焦距等,以减少图像配准的耗时以及尽量减少误差,提高识别率。对标准图进行中值滤波以滤除噪声平滑图像,然后保存标准图。检测时打开被测图,首先进行滤除噪声等预处理,然后通过定位圆进行图像配准;再做差影运算,通过阈值变换分离出差影特征。由于图像配准时不能完全做到像素一一对应以及阈值分割得不完美,将引起阈值变换后的二值图可能存在非缺陷部分。如果不能把这些部分去除,会造成误检。所以还需要进行形态学的变换来滤除噪点。最后则对分离出来的缺陷目标进行几何特征统计并得出结论。
在这里插入图片描述
图1 系统的软件处理流程

2 图像的预处理与配准
2.1 图像的去噪运算

图像在形成、传输、接收和处理的过程中,不可避免地存在着外部和内部干扰,如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等,都会引起噪声[2]。目前去噪效果很理想的算法是中值滤波。中值滤波是一种非线性的信号处理方法,其原理如下:假设有1个一维序列f1,f2,f3,…,fn,取该窗口长度(点数)为m(m为奇数)。对该序列进行中值滤波,即从序列中相继抽取m个数fi-v,…,fi-1,fi,fi+1,…,fi+v,其中fi为窗口的中心点值,v=(m-1)/2。再将这m个点值按其数值大小排序,取中间的那个数作为滤波输出,用公式表示为:yi=med{fi-v,…,fi-1,fi,fi+1,…,fi+v},其中i∈Z,v=(m-1)/2。图2所示为中值滤波前后图片的对比效果。由此可见,中值滤波对滤除噪声,保留特征信息具有比较理想的效果。
在这里插入图片描述
图2 中值滤波效果图

2.2 图像的配准
图像的配准是对取自不同时间、不同传感器或者不同视角的同一场景的2幅图像或者多幅图像图形匹配的过程。图像配准通常通过计算图像的相似度来进行,而图像的相似度是通过计算相似性测度评价的。相似性测度又分为互相关相似性测度、基于傅里叶分析的测度以及序贯相似性检测。其中互相关相似测度是最基本的相似性测度,其原理如下:假设有模板T和搜索图S,Si,j表示模板覆盖下的那块搜索图[3],其中i、j表示位置。则其互相关相似度为:
在这里插入图片描述
归一化为:
在这里插入图片描述
T和Si,j越相似,则R(i,j)越大,当T和Si,j完全相似时,R(i,j)=1,因此可以根据R(i,j)的大小来判断T和Si,j的相似程度。

2.3 几何匹配
2.3.1 匹配原理

本文对缺陷检测采取差影法检测,差影法检测必须是待测图与标准图的像素基本对应。所以差影法的核心就在于图像的几何匹配。待测图与标准图的匹配通常采用设置定位标志来解决,也就是在PCB板对角线部位通过添加特定的图形,定位时通过图形在标准图和目标图板上的几何位置差异进行缩放、平移和旋转的几何操作来实现待测图与标准图的像素一一对应。几何匹配的效果很大程度上取决于定位图形位置尺寸的获取。通常定位图形选用形状规则的圆来进行,不仅因为圆心坐标具有很好的定位作用,还因为目前对于圆检测的研究已经相对比较成熟,比较容易检测出圆的特征尺寸。

2.3.2 圆的检测
对于圆的检测目前绝大多数是通过Hough变换来进行。Hough变换是利用图像空间与参数空间的对应关系,将图像控件的检测问题转化到参数空间,通过参数空间进行简单的累加统计来完成检测任务。Hough变换的圆形检测原理其圆的方程表示为:
在这里插入图片描述
在参数空间建立1个三维的累加数组A(a,b,r),计算出每1个三元组(a,b,r),并对A累加:
在这里插入图片描述
如果半径r固定,则参数空间与图像空间的对应如图3所示。黑色部分对应图像空间中的圆周上的点,而圆周则为可能的圆心位置。因此,在图像空间中共圆的点在参数空间中对应同一个点,即图像空间中的点对应参数空间中的圆,参数空间中的点对应图像空间中的圆。算法的实现也正是利用了这种特性。
在这里插入图片描述
图3 Hough变换的参数空间
如果直接通过这种方法进行圆检测,由于需要对整幅图的像素进行逐点运算并判断,会占用很多系统时间,因此速度上无法满足实时性的需求。基于Hough变换的圆检测方法[5]通过先对图像进行灰度化、去噪、边缘检测以及形态学运算等预处理,再通过使用多维数组代替循环计算进行Hough变换,可以大大提高检测速度与准确率。

2.3.2 图像的几何变换
图5所示为PCB板定位圆的位置,其中A(x1,y1)、B(x2,y2)分别为2个定位圆的圆心坐标。由于标准板上和待测板上都有定位圆,因此待测图因摄像头畸变或者工作台振动而产生的偏差可以通过A、B坐标的偏差对待测图进行几何变换进行调整,调整步骤为:

(1)计算出待测图定位圆心的水平偏角θAB和标准图的θ′AB。如果θAB≠θ′AB,则对待测图进行旋转变换。旋转角度为θAB―θ′AB(顺时针方向为正)。

(2)计算出待测图定位圆心的距离LAB和标准图的L′AB,如果LAB≠L′AB,则对待测图进行缩放变换。缩放倍数为n=L′AB/LAB(n>1表示缩放)。

(3)计算出待测图2个定位圆心线段的中点坐标经过(1)、(2)两步运算后的坐标D。将D与标准图的D′进行比较,如果不相等,则X方向平移Dx′-Dx,Y方向平移Dy′-Dy(屏幕左上角为原点,X轴正方向朝右,Y轴正方向朝下)。
在这里插入图片描述
图5 定位圆

3 缺陷检测
3.1 阈值变换

几何配准对标准图和待测图做差运算,得到的差影图如图6(a)所示,此图并非二值图,为了对缺陷进行统计识别,需要通过阈值分割将其转化为二值图。图像分割的方法可分为固定阈值分割和自动阈值分割。固定阈值分割是通过一个确定的或者人为操作时选定的阈值进行二值化的方法。由于该法很不灵活且不具有自动性,所以本文主要讨论自动阈值分割,通过搜索直方图的方法来选取全局阈值进行分割。该类方法主要有:双峰法、最大内间方差阈值(OSTU)法、P_tittle阈值分割法、最大熵法等。本文使用最大内间方差阈值(OSTU)法[5]。该法基本思想是:最佳阈值应当使得不同类之间的可分离性最大。把待处理图像的直方图在某一阈值与支出分割为2组,当被分割成2组的间方差最大时,决定阈值。OSTU分割后的图像如图6(b)所示。
在这里插入图片描述
图6 差影运算与阈值分割效果

3.2 形态学变换
由于配准过程存在的误差以及图片本身的微小畸变缺陷,所以差影运算后的图像会有无法消去的非缺陷部分。如图7所示,其灰度值和缺陷部分灰度值相差不大,阈值分割后也必然存在这部分噪点,如果不把这些部分消除掉,会造成误检。通过形态学变换可以消除这些噪点。
在这里插入图片描述
图7 形态学运算后
形态学又称数学形态学[6],是一种分析几何形状的数学方法,是建立在集合代数基础上的,用集合论方法定量描述集合结构的科学。最基本的形态学运算子有:腐蚀(Erosion)、膨胀(Delation)、开(Opening)和闭(Closing)。由于需要滤除噪点,本文使用了腐蚀和开运算。

对于1个给定的目标图像X和1个结构元素S,如果S在图像上移动,在每1个当前位置x,S[x]只要3种可能的状态:S[x]⊆X、S[x]⊆Xc、S[x]∩X与S[x]∩Xc均不为空。其中满足S[x]⊆X的点x的全体构成结构元素与图像的最大相关点集,则称这个点集为S对X的腐蚀,记为XӨS。用集合的方式定义为:XӨS={x|S[x]⊆X}。腐蚀的作用是消除物体边界点,可以把小于结构元素的物体去掉,选取不同大小的结构元素,就可以去掉不同大小的物体。

腐蚀可以看作是将图像X中每1个结构元素S全等的S[x]收缩为点x。反之,将X中的每1个点X扩大为S[x]。这就是膨胀运算,用集合方式定义为:XӨS={x S[x]∩x≠0}。与腐蚀相反,膨胀运算的作用是把图像周围的背景点合并到物体中。

开运算和闭运算是在腐蚀和膨胀的基础上定义的。开运算就是对图像先进行腐蚀运算再进行膨胀运算。而闭运算是对图像先进行膨胀运算再进行腐蚀运算。

通过这4种形态学算子的组合可以对图像进行包括图像分割、特征抽取、边缘检测、图像滤波、图像增强和恢复等操作。图7是对阈值分割后的图进行1次腐蚀运算和1次开运算后的结果。留下来的4处正是目标电路板上缺陷位置的二值图。

⛄二、部分源代码

function varargout = Mainyinshua(varargin)
% Prepared by OON CHEE YEE, 27737268
% MAINYINSHUA MATLAB code for Mainyinshua.fig
% MAINYINSHUA, by itself, creates a new MAINYINSHUA or raises the existing
% singleton*.
%
% H = MAINYINSHUA returns the handle to a new MAINYINSHUA or the handle to
% the existing singleton*.
%
% MAINYINSHUA(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in MAINYINSHUA.M with the given input arguments.
%
% MAINYINSHUA(‘Property’,‘Value’,…) creates a new MAINYINSHUA or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before Mainyinshua_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to Mainyinshua_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Mainyinshua

% Last Modified by GUIDE v2.5 23-Jun-2022 19:33:32

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @Mainyinshua_OpeningFcn, …
‘gui_OutputFcn’, @Mainyinshua_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before Mainyinshua is made visible.
function Mainyinshua_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to Mainyinshua (see VARARGIN)

% Choose default command line output for Mainyinshua
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes Mainyinshua wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = Mainyinshua_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in CheckDefects.
function CheckDefects_Callback(hObject, eventdata, handles)
% hObject handle to CheckDefects (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Creating global variables to be used across Callback Function
global template test defect
% Display image in top right axes
axes(handles.axes6)
% by using image substraction between template and test, defects can be
% identified as diff_1 variable
defect= imabsdiff(template,test);
% display test image
imshow (test)
% draw a boundingbox on each defect found on PCB
all_defect_bboxes = regionprops(defect,‘BoundingBox’,‘centroid’);
hold on

for i = 1:length(all_defect_bboxes)
% Accessing each bounding box to obtain its position and insert
% annotation
each_boundingbox = all_defect_bboxes(i).BoundingBox;
rectangle(‘Position’,each_boundingbox,‘EdgeColor’,‘r’,‘LineWidth’,1.5)
end

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]胡秀亮,高志,叶健敏,王涛.基于图像处理技术的PCB缺陷自动检测系统[J].微型机与应用. 2010,29(01)

3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

基于MATLAB GUI的印刷电路板自动缺陷检测 本文将介绍基于MATLAB GUI的印刷电路板自动缺陷检测方法,并提供相应的源代码。通过以上源代码,我们可以创建一个具有导入图像和显示缺陷检测结果功能的MATLAB GUI。用户可以通过点击"导入图像"按钮选择待检测的印刷电路板图像文件,然后程序会自动进行图像预处理和缺陷检测,并在GUI界面上显示原始图像和检测结果。通过以上步骤,我们可以实现基于MATLAB GUI的印刷电路板自动缺陷检测。注意:以上代码仅为示例,具体的缺陷检测方法和参数设置可以根据实际需求进行调整和优化。 阅读详情

相关推荐

基于MATLAB GUI PCB自动缺陷检测

本文提出了一种基于MATLAB GUI的PCB自动缺陷检测算法,该算法使用多种特征提取方法和支持向量机分类器进行自动缺陷检测。为此,本文提出了一种使用MATLAB GUI实现的PCB自动缺陷检测算法,以提高PCB生产中检测效率和准确性。我们使用了本文提出的MATLAB GUI自动缺陷检测算法对多个PCB数据集进行测试,其中包括正常和异常样本,每种样本各30张图像。实验结果表明,本文提出的PCB自动缺陷检测算法的准确性高,检测速度快,并且在传统方法无法检测到的微小缺陷上表现出更好的检测效果。

qq_39605374的博客 486

【缺陷检测】基于matlab GUI印刷电路板自动缺陷检测【含Matlab源码 1912期】

印刷电路板自动缺陷检测 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 3304

基于MATLAB的缺陷检测系统

通过导入图像数据集、数据预处理、特征提取、模型训练和测试以及缺陷定位,我们可以实现一个功能强大的缺陷检测系统。这只是基于MATLAB的缺陷检测的一个简单示例,您可以根据具体需求进一步扩展和改进系统。我们将使用MATLAB提供的图像处理工具和算法来检测和定位图像中的缺陷。一旦我们的系统对图像进行了分类,我们可以使用一些图像处理技术来定位缺陷区域。一旦我们提取了图像的特征,我们可以使用这些特征来训练一个分类器,以区分缺陷和非缺陷区域。可以使用MATLAB的。在这里,我们将使用基于纹理的特征来描述图像中的缺陷。

PixelLoom的博客 1131

【缺陷检测】印刷电路板自动缺陷检测【含 GUI Matlab源码 1912期】

印刷电路板自动缺陷检测 完整代码,直接运行,适合小白!可提供运行操作视频!

Matlab912100926的博客 1002

基于MATLAB的PCB电路板缺陷检测

为了确保电路板的质量和可靠性,对其进行缺陷检测是至关重要的。本文将介绍如何使用MATLAB进行PCB电路板缺陷检测,并提供相应的源代码。在本文的示例中,我们采用了简单的视觉化方法,通过在原始图像上标记缺陷来显示检测结果。综上所述,本文介绍了如何使用MATLAB进行PCB电路板缺陷检测。通过图像预处理和缺陷检测算法的组合,我们可以有效地检测和定位PCB电路板上的缺陷。首先,我们需要对PCB电路板图像进行预处理,以提高后续缺陷检测算法的准确性。一种常用的方法是使用边缘检测算法,例如Canny边缘检测算法。

IELLQUI9的博客 662

电路板缺陷检测-分水岭-OpenCV

基于OpenCV和分水岭算法,对电路板进行缺陷检测。效果还可以,提供给大家学习。

[数据集][目标检测]焊接件表面缺陷检测数据集VOC+YOLO格式2292张10类别

标注类别名称:["crease","crescent_gap","inclusion","oil_spot","punching","rolled_pit","silk_spot","waist_folding","water_spot","welding_line"]数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数):2292。标注数量(txt文件个数):2292。

FL1623863129的博客 1616

瑕疵检测代码-matlab-Defect-Detection:Matlab代码用于基于ExtremeEdge的缺陷检测,如以下文章所示:Zou

瑕疵检测代码-matlab 缺陷检测 Matlab代码用于基于Extreme Edge的缺陷检测,如以下文章所示:Zouhir Wakaf,Hamid A.Jalab(2016)。 基于缺陷区域直方图极端边缘的缺陷检测。 沙特国王大学学报-计算机与信息科学。 DOI:10.1016 / j.jksuci.2016.11.001

【青草识别】基于matlab GUI形态学马唐草+牛筋草识别【含Matlab源码 1041期】

形态学马唐草+牛筋草识别 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1995

YOLO目标检测PCB电路板元件数据集(含5000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程

1、YOLO目标检测PCB电路板元件数据集,真实场景的高质量图片数据,数据场景丰富。使用lableimg标注软件标注,标注框质量高,含voc(xml)、coco(json)和yolo(txt)三种格式标签,分别存放在不同文件夹下,可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本,可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载:https://blog.youkuaiyun.com/m0_64879847/article/details/132301975 4、如需更多数量和其他数据集请私信博主~

PCB电路板缺陷识别数据集

包含693张图片PCB电路板缺陷的图片,已标注为voc xml和YOLO txt格式两种格式的标签。缺陷类别包含六种:missing_hole,mouse_bite,open_circuit,short,spurious_copper,spur

【缺陷检测】基于matlab形态学液晶显示器表面缺陷检测【含Matlab源码 1304期】

形态学液晶显示器表面缺陷检测 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 4236

别再乱设阻尼了!Abaqus动力分析中瑞利阻尼的α和β到底怎么算?

本文深入解析Abaqus动力分析中瑞利阻尼参数α和β的科学计算方法,帮助工程师准确设置阻尼参数以提升仿真精度。详细介绍了基于模态阻尼比的经典计算方法和多模态优化法,并结合工程案例演示参数设置流程,避免常见的阻尼设置误区。

weixin_42634811的博客 739

基于深度学习的智能PCB板缺陷检测系统(Python+清新界面+数据集)

智能PCB板缺陷检测系统用于智能检测工业印刷电路板(PCB)常见缺陷,自动化标注、记录和保存缺陷位置和类型,以辅助电路板的质检。本文详细介绍智能PCB板缺陷检测系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面和训练数据集。在界面中可以选择各种图片、视频进行检测识别;可对图像中存在的多种缺陷进行识别分类,检测速度快、识别精度高。博文提供了完整的Python代码和使用教程,适合新入门的朋友参考,完整代码资源文件请转至文末的下载链接。

思绪无限的博客 2万+

OpenClaw 最强技能 self-improving-agent 详解:让 AI 从错误中自主学习

self-improving-agent 是 OpenClaw 生态中最受欢迎的技能插件,下载量突破 268k。它能让 AI 记住犯过的错误和解决方案,实现持续自我改进。本文深入讲解其工作原理、安装配置和实战案例。测试数据显示:部署流程时间从 15 分钟降到 2 分钟(87%↓),API 调试时间从 2 小时降到 20 分钟,数据库查询编写时间减少 90%。文章包含完整架构图、配置文件示例、3 个详细实战案例和性能测试数据,适合开发者、运维和数据分析师使用。

qq_38610923的博客 3636

Aloudata Agent :基于 NoETL 明细语义层的分析决策智能体

这是包括我们在内的一些厂商探索的一个新方向,这种方式先由大模型将自然语言转化为对指标语义层的查询请求(MQL,Metrics Query Language),再由指标平台将指标和维度的查询与计算逻辑转化为准确的 SQL 查询语句。用户查询经大模型语义解析后,将其转换为指标、维度及筛选条件的组合表达,并生成面向指标平台的 MQL,Aloudata CAN 指标平台的语义引擎将 MQL 转换为准确和可执行的查询 SQL,语义引擎内置函数体系与 SQL 解析器,确保语义转换的 100% 准确性。

Aloudata的博客 1667

【缺陷检测】基于计算机视觉实现芯片缺陷检测附matlab代码

文章应用机器视觉技术,采集回流之前的球栅阵列(BGA)芯片图像,对图像进行预处理后,运用点分析方法对图像中各个焊球区域进行标记,建立判断标准并依次序对这些信息进行比对,从而判断芯片合格与否,并对不合格芯片判断其缺陷类型;研究采用MATLAB完成图像预处理以及具体的检测程序编写;实验结果证明,此方法可以正确识别缺陷类型,在检测速度以及可靠性方面有很好的保证.

qq_59747472的博客 661

ROS环境下UR机械臂与Realsense相机手眼标定实战指南

本文提供了在ROS环境下,对UR机械臂与Realsense相机进行手眼标定的完整实战指南。详细介绍了从环境搭建、软件包安装、硬件配置到分步数据采集与计算的完整流程,并分享了常见的避坑技巧与精度优化方法,旨在帮助开发者高效、准确地完成标定,为后续的机器人视觉应用奠定坚实基础。

sunny的博客 649

AI核心功能解析:问答、编码与逻辑推理

作为一个人工智能助手,我的核心功能是基于海量数据训练而成的自然语言处理与逻辑推理能力,旨在为用户提供高效、准确的信息解答与任务辅助。在技术实现层面,我通过 Transformer 架构理解上下文语义,能够像 MATLAB 处理矩阵运算 或 CANoe 处理总线报文 那样,精准执行用户指令。相较于单一功能软件,我的优势在于跨域知识的融合能力。例如,我可以结合示波器的波形捕获原理 与 MATLAB 的绘图功能 ,为用户设计一套完整的信号处理教学方案;

一名网络界的大虾 153

RK3588 , 基于mpp 解码 Jpeg To RGB

本文介绍了在RK3588开发板上使用Rockchip MPP(Media Process Platform)硬件加速接口将JPEG图像解码为RGB格式的完整流程。主要包括三个关键步骤:1) 读取JPEG文件数据;2) 配置MPP解码器,包括初始化上下文、设置RGB888输出格式和解码参数;3) 执行解码任务并将结果保存为图像文件。通过硬件加速,该方法能高效完成JPEG到RGB的转换,适用于嵌入式多媒体处理场景。

J。 1212

PCL 最小生成树用于法向量定向【2025最新版】

PCL 最小代价生成树用于点云法向量的定向。博客长期更新,本文最近更新时间为:2025年9月15日。

点云侠的博客 2068

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 296

用 RFC Destination 打通 VS Code 与 ABAP 后端,ABAP 开发连接不只是登录那么简单

本文重点介绍了在VS Code中配置ABAP开发环境时建立RFC destination连接的关键细节。文章指出:1. RFC destination是连接前端开发工具与ABAP后端的核心配置,包含系统类型、客户端、用户名等关键信息;2. 连接方式的选择(RFC/HTTP)由产品形态决定,On-Premise和Private Edition使用RFC,而BTP和Public Cloud使用HTTP;3. 连接创建后需要通过添加工作区文件夹来展示开发对象;4. RFC连接涉及网络可达性、身份认证和开发权限三个

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 213
上一篇: 【人民币识别】RGB和BP神经网络的人民币识别系统【含GUI Matlab源码 097期】
下一篇: 【口罩识别】RGB滤波+YCbCr+肤色标定口罩识别【含GUI Matlab源码 1895期】
Matlab武动乾坤
博客等级 码龄3年 3万+粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值