相关实验视频
Updated: Jun 8, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于平板电脑表面图像的深度学习,自动检测平板电脑缺陷,并预测分解时间和压碎强度
Anna Diószegi1, Máté Ficzere1, Lilla Alexandra Mészáros1
1Department of Organic Chemistry and Technology, Faculty of Chemical Technology and Biotechnology, Budapest University of Technology and Economics, Műegyetem rakpart 3, H-1111 Budapest, Hungary.
International journal of pharmaceutics
|November 3, 2024
概括
使用YOLOv5的深度学习精确检测平板电脑缺陷,并从图像中预测压力和分解时间. 这使得100%的查,提高药品质量控制.
科学领域:
- 制药制造业 制药制造业 制药制造业
- 机器视觉 机器视觉 机器视觉
- 人工智能的人工智能
背景情况:
- 传统的药片质量控制方法可能耗时,可能无法实现100%的选.
- 制药行业需要有效和准确的方法来评估药片的性能.
- 机器视觉与深度学习相结合,为自动化质量评估提供了潜力.
研究的目的:
- 开发用于检测平板电脑缺陷的新型自动化测量方法.
- 通过机器视觉和深度学习来确定平板电脑的粉碎强度和分解时间.
- 评估开发的深度学习系统的准确性和生产能力.
主要方法:
- 利用YOLOv5深度学习算法实时识别平板图像中的缺陷.
- 采用机器视觉来捕捉各种压缩力产生的平板电脑的图像.
- 应用YOLOv5来分析平板电脑表面质地,以预测压碎强度和分解时间.
主要成果:
- 在实时识别五个不同的平板电脑缺陷类别中,获得了99.2%的准确性.
- 该系统展示了与平板电脑压力机的生产速度相匹配的能力.
- 根据表面质地准确预测平板电脑粉碎强度和分解时间.
结论:
- 基于深度学习的机器视觉为平板电脑质量控制提供了准确和低成本的方法.
- 开发的系统可以100%选制造的药片.
- 这种技术的实施可以显著提高药品生产的质量控制和有效性.
