-
题名基于卷积去噪自编码器的芯片表面弱缺陷检测方法
被引量：8
- 1
-
-
作者
罗月童
卞景帅
张蒙
饶永明
闫峰
-
机构
合肥工业大学计算机与信息学院
-
出处
《计算机科学》
CSCD
北大核心
2020年第2期118-125,共8页
-
基金
国家重点研发计划(2017YFB1402200)
安徽省科技强警计划项目(1604d0802009)
+2 种基金
浙江大学CAD&CG国家重点实验室开放课题(A1814)
中央高校基本科研业务费专项资金(JZ2017HGBH0915)
安徽省高等学校省级质量工程项目(2017jyxm0045)~~
-
文摘
芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。
-
关键词
芯片表面缺陷
缺陷检测
深度学习
无监督学习
卷积去噪自编码器
-
Keywords
Chip surface defects
Defect detection
Deep learning
Unsupervised learning
convolution denoising auto-encoders
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多深度学习模型决策融合的滚动轴承故障诊断
被引量：6
- 2
-
-
作者
张立智
谭继文
徐卫晓
井陆阳
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《组合机床与自动化加工技术》
北大核心
2019年第8期59-62,共4页
-
基金
国家自然科学基金项目(51475249)
山东省重点研发计划项目(2018GGX103016)
山东省高等学校科技计划项目(J15LB10)
-
文摘
针对滚动轴承故障诊断中单一传感器信息的不全面性、单一网络模型的不确定性,提出了基于多深度学习模型决策融合的滚动轴承故障诊断方法。首先,利用深度卷积网络(CNN)和层叠降噪自动编码器(SDAE)分别对两个振动传感器信号进行自适应特征提取,经softmax初步分类。接着将两个网络的输出结果利用D-S证据理论进行融合,得到最终诊断结果。实验结果表明,利用该方法对滚动轴承进行故障诊断正确率达到95.63%,相比CNN正确率提高了5.49%,相比SDAE正确率提高了10.42%,验证了该方法的有效性。
-
关键词
滚动轴承
深度学习
深度卷积网络
降噪自动编码器
故障诊断
-
Keywords
rolling bearing
deep learning
convolution neural network
denoising auto encoders
fault diagnosis
-
分类号
TH162
[机械工程—机械制造及自动化]
TG506
[金属学及工艺—金属切削加工及机床]
-
-
题名基于数据增强与流数据处理的Tor流量分析模型
被引量：1
- 3
-
-
作者
席荣康
蔡满春
芦天亮
-
机构
中国人民公安大学信息网络安全学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第3期177-184,共8页
-
基金
中国人民公安大学2022年基科费项目(2022JKF02009)
国家重点研发计划“公共安全风险防控与应急技术装备”重点专项(20200017)。
-
文摘
Tor流量分析技术为打击利用Tor匿名通信工具从事的暗网犯罪活动提供了技术支撑,但目前存在数据难于收集、数据集不平衡、模型抗概念漂移能力差等问题。提出一种结合堆叠去噪自编码器和在线序列极限学习机的Tor流量分析模型。对原始Tor PACP包进行分割、去噪处理并提取特征序列。在此基础上,将一维序列转化为可视化灰度图并输入改进多尺寸深度卷积生成对抗网络,生成Tor流量样本以平衡数据集,利用堆叠降噪自动编码器进行序列降维并将特征输入在线序列极限学习机实现Tor匿名流量的在线流识别。实验结果表明,改进多尺寸深度卷积生成对抗网络可用于提升数据集质量并提高模型识别率约2.8个百分点,结合在线序列极限学习机和堆叠去噪自编码器的流量分析模型准确率可达95.7%,识别效率较传统卷积神经网络和长短期记忆网络模型有较大提升。
-
关键词
洋葱路由
概念漂移
流数据挖掘
数据增强
深度卷积生成对抗网络
堆叠去噪自动编码器
在线序列极限学习机
-
Keywords
onion router
concept drift
stream data mining
data enhancement
Deep convolution Generative Adversarial Network(DCGAN)
Stacked denoising auto encoder(SDAE)
Online Sequential Extreme Learning Machine(OS-ELM)
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
