黎国溥

本文主要介绍3D视觉技术、工业领域的应用、市场格局等。3D视觉技术满足工业领域更高精度、更高速度、更柔性化的需求，扩大工业自动化的场景。移动机器人视觉引导是一个前景的场景，主要技术包括结构光、ToF、立体视觉。从深度学习到通用视觉大模型，AI助力机器视觉提升效率，拓展应用场景。

本文分享一个基于扩散模型的多类别异常检测框架，用于检测工业场景的缺陷检测或异常检测。设计SG语义引导网络，在重建过程中有效保持输入图像的语义信息，解决了LDM在多类别异常检测中的语义信息丢失问题。高效重建，通过在潜在空间中进行扩散和去噪操作，增强了模型在处理复杂结构和大规模缺陷时的重建能力。同时分析基础扩散模型DDPM和LDM，对比设计原理和效果。

本文分享一个基于扩散模型的异常检测框架，用于检测工业场景的缺陷检测或异常检测。强度可控扩散异常合成：基于扩散过程的合成策略，能够生成不同强度的异常样本，模仿真实异常样本的分布。异常感知特征选择：选择代表性和判别性的预训练特征子集，以提高异常检测性能并控制计算成本。重建残差选择：自适应选择判别性残差，用于全面识别各级异常区域。强度可控扩散异常合成，简称为SDAS，生成的异常图像，如下图所示。这些异常图像，都是基于正常图像生成的。

本文汇总引脚歪斜检测、针脚歪斜检测、pin针歪斜检测的技术方案，供大家参考。主要介绍两个示例，基于传统图像算法和机器学习的PIN针歪斜检测。目录前言方案1：基于传统图像算法的PIN针歪斜检测方案2：基于机器学习的连接器缩针弯针检测系统研究。

本文汇总引脚歪斜检测、针脚歪斜检测、pin针歪斜检测的工业设备示例，供大家参考。目录前言方案1：机器视觉的端子PIN针歪斜检测系统方案方案2：芯片引脚歪斜检测方案3：pin针3D检测 歪斜方案4：芯片引脚歪斜检测（高分辨率彩色相机CCD）