文件名称：Supervised-Defect-Identification-from-the-Electronic-Device-Images
文件大小：1KB
文件格式：ZIP
更新时间：2024-04-30 05:04:02
电子设备图像的监督缺陷识别 技能专长 建模技术：CNN模型-UNet，VGGNet，SegNet，卷积自动编码器-解码器。 图像处理技术：标准化RGB，将蒙版编码为RGB，灰度转换。 技术堆栈：Python，SQL。 库：Numpy，Pandas，Sklearn，Tensorflow，Keras，OpenCV。 介绍 在这个项目中，我们考虑使用监督机器学习算法（特别是卷积神经网络（CNN））来检测电子设备图像中的检测问题。 我们的目标是将设备中的缺陷类型识别为包含缺陷还是不包含缺陷，从而比较这些模型在语义分割任务中的效率。 我们考虑将图像限制为具有3个颜色通道的101x101像素大小，其中包含一种或多种类型的大小和形状不同的缺陷。 从设备图像识别缺陷面板的这种方法在各种电子行业中都有重要的应用，其中最重要的是可以降低工厂中的人工检查成本。 在此报告中，我们估算了各种CNN模型的性能，
【文件预览】：
Supervised-Defect-Identification-from-the-Electronic-Device-Images-main
----README.md(2KB)