您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201901-160
论文题目 基于卷积神经网络的药片表面缺陷检测
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于卷积神经网络的药片表面缺陷检测

首发时间:2019-01-25

杨旭东 1   

杨旭东(1995-),男,硕士,主要从事机器视觉与深度学习研究

周学成 1   

周学成(1968-),男,教授,硕导,主要从事机器视觉与图像分析研究

张德军 1    曹聪 1   
  • 1、华南农业大学工程学院,广东广州 510642

摘要:药片缺陷检测是保证药品质量的重要手段。人工检测存在成本高、效率低、主观性强等问题,而基于模式识别的传统的机器视觉方法虽然相较于人工检测方法有了一定的提高,但仍存在过程复杂、检测精度低等问题。为了解决上述问题,使用基于卷积神经网络的药片表面缺陷检测方法。首先采用CCD工业相机和光电传感器自动采集药片图像,然后对药片图像进行预处理,去除药片图像的噪声,提高药片图像质量。最后,使用卷积神经网络检测药片是否合格,并进一步检测不合格药片的缺陷类型。实验结果表明,在药片表面缺陷检测准确率上,基于卷积神经网络的检测方法相较于传统机器视觉方法提高了近10%。

关键词: 深度学习 卷积神经网络 网络结构 缺陷药片 缺陷分类

For information in English, please click here

Tablet Surface Defect Detection Based on Convolutional Neural Network

Yang Xudong 1   

杨旭东(1995-),男,硕士,主要从事机器视觉与深度学习研究

Zhou Xuecheng 1   

周学成(1968-),男,教授,硕导,主要从事机器视觉与图像分析研究

Zhang Dejun 1    Cao Cong 1   
  • 1、College of Engineering, South China Agricultural University, Guangzhou Guangdong 510642, China

Abstract:Tablet defect detection is an important means to ensure the quality of drugs. There are many problems in manual detection, such as high cost, low efficiency and strong subjectivity. Although the traditional machine vision method based on pattern recognition has improved compared with manual detection method, it still has some problems, such as complex process and low detection accuracy. In order to solve the above problems, a method based on convolution neural network was used to detect the surface defects of tablets. First, the CCD industrial camera and photoelectric sensor are used to automatically collect the image of the tablet, and then the image of the tablet is pre-processed to remove the noise of the tablet image and improve the image quality of the tablet. Finally, a convolutional neural network is used to detect the eligibility of the tablets and to further detect the type of defects in the unqualified tablets. The experimental results show that the detection method based on convolutional neural network can be improved by nearly 10% compared with the traditional machine vision method.

Keywords: Deep learning Convolutional Neural Network (CNN) network structure defect tablets defect classification

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
杨旭东,周学成,张德军,等. 基于卷积神经网络的药片表面缺陷检测[EB/OL]. 北京:中国科技论文在线 [2019-01-25]. http://www.paper.edu.cn/releasepaper/content/201901-160.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于卷积神经网络的药片表面缺陷检测