新闻详情

新闻详情

首页 / 资讯中心 / 详情

做药片缺陷检测总漏检?这套YOLO小目标优化方案,召回率干到98.7%

发布时间:2026/11/16 19:52:24来源:尧图网络
做药片缺陷检测总漏检?这套YOLO小目标优化方案,召回率干到98.7%
做医药行业视觉检测的朋友,大概都懂药片缺陷检测的痛点:缺角、裂纹、色斑、碎粒,全是毫米级的小目标,大的一两毫米,小的不到0.5mm,对应到640分辨率的图里就几个像素。传统机器视觉算法调参数调到头,换个批次、变点光照就崩;上了YOLO,实验室测着mAP挺高,一上产线微小缺陷漏检率直接飙升,要么就是反光误检一堆。去年帮客户做过一套泡罩包装药片缺陷检测的项目,从数据采集、模型优化到产线落地踩了一路坑,最终把微小缺陷的召回率做到了98.7%,误检率控制在千分之二以内,速度满足产线每分钟120板的要求。这篇文章就把完整的落地思路分享出来,从数据处理、模型优化到部署避坑,全是实战验证过的方案,做小目标检测的都可以参考。一、先讲清楚:药片缺陷检测的核心难点药片检测属于典型的工业小目标场景,难点从来不是算法本身,而是场景的约束和小目标的天然特性:目标尺度极小,特征信息少常见的药片直径大概6-10mm,而缺角、微裂纹这类核心缺陷,尺寸通常在0.3-1mm之间。在1280×960的相机画面里,有效缺陷区域可能只有5-15个像素,特征极其微弱,很容易和背景噪声、压缩伪影混在一起。缺陷类型多,样本极不均衡常规检测项就包括缺粒、碎边、缺角、裂纹、色斑、异物、色差七八类,其中裂纹、色斑这类微小缺陷的样本非常少,产线上可能几百板才出一个。正负样本比例经常达到1:10甚至更低,模型很容易偏向预测良品,把缺陷当成正常。召回要求极高,漏检代价大医药行
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉