相关实验视频
Updated: Sep 16, 2025

13:51
Cross-Modal Multivariate Pattern Analysis
Published on: November 9, 2011
20.1K
CM-YOLO:一种基于跨模态特征融合的多模态PCB缺陷检测方法
Haowen Lan1, Jiaxiang Luo1, Hualiang Zhang2
1School of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
本研究介绍了CM-YOLO,这是一种新的印刷电路板缺陷检测方法,它结合了RGB和深度图像. 它通过增强特征感知和融合,显著提高了检测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 印刷电路板 (PCB) 上的缺陷检测对于制造质量至关重要.
- 现有的算法与微妙的缺陷作斗争,需要增强功能感知.
- 整合多式联网数据 (RGB和深度图像) 有助于提高可靠性.
研究的目的:
- 提出一种新的加权特征融合方法,用于增强PCB缺陷检测.
- 为了提高缺陷检测算法的稳定性和可靠性.
- 为了利用差分放大原理用于多式联运特征融合.
主要方法:
- 开发了CM-YOLO,这是一个双流检测网络,包含了差分放大加权聚变 (DAWF) 模块.
- DAWF将多模式特征分为常用模式和差异模式,以增强特征的保存.
- 集成了一个交叉注意力空间和通道 (CASC) 模块,以提高特征提取能力.
主要成果:
- 在实验中,CM-YOLO方法实现了0.969的平均平均精度 (mAP).
- 与现有方法相比,证明了更高的准确性和有效性.
- 验证了增强的特征感知和融合能力.
结论:
- CM-YOLO为PCB缺陷检测提供了一个高度准确和有效的解决方案.
- 拟议的DAWF和CASC模块大大有助于提高检测性能.
- 通过加权特征融合整合RGB和深度图像,提高了算法可靠性.

