Конструкция зарядного устройства от шуруповёрта.
Без сомнений, электроинструмент значительно облегчает наш труд, а также сокращает время рутинных операций. В ходу сейчас и всевозможные шуруповёрты с автономным питанием.
Рассмотрим устройство, принципиальную схему и ремонт зарядного устройства для аккумуляторов от шуруповёрта фирмы «Интерскол».
Для начала взглянем на принципиальную схему. Она срисована с реальной печатной платы зарядного устройства.
Печатная плата зарядного устройства (CDQ-F06K1).
Силовая часть зарядного устройства состоит из силового трансформатора GS-1415. Мощность его около 25-26 Ватт. Считал по упрощённой формуле, о которой уже говорил здесь.
Пониженное переменное напряжение 18V со вторичной обмотки трансформатора поступает на диодный мост через плавкий предохранитель FU1. Диодный мост состоит из 4 диодов VD1-VD4 типа 1N5408. Каждый из диодов 1N5408 выдерживает прямой ток 3 ампера. Электролитический конденсатор C1 сглаживает пульсации напряжения после диодного моста.
Основа схемы управления – микросхема HCF4060BE, которая является 14-разрядным счётчиком с элементами для задающего генератора. Она управляет биполярным транзистором структуры p-n-p S9012. Транзистор нагружен на электромагнитное реле S3-12A. На микросхеме U1 реализован своеобразный таймер, который включает реле на заданное время заряда – около 60 минут.
При включении зарядника в сеть и подключении аккумулятора контакты реле JDQK1 разомкнуты.
Микросхема HCF4060BE запитывается от стабилитрона VD6 – 1N4742A (12V). Стабилитрон ограничивает напряжение с сетевого выпрямителя до уровня 12 вольт, так как на его выходе около 24 вольт.
Если взглянуть на схему, то не трудно заметить, что до нажатия кнопки «Пуск» микросхема U1 HCF4060BE обесточена – отключена от источника питания. При нажатии кнопки «Пуск» напряжение питания от выпрямителя поступает на стабилитрон 1N4742A через резистор R6.
Далее пониженное и стабилизированное напряжение поступает на 16 вывод микросхемы U1.
Микросхема начинает работать, а также открывается транзистор S9012, которым она управляет.
Напряжение питания через открытый транзистор S9012 поступает на обмотку электромагнитного реле JDQK1. Контакты реле замыкаются, и на аккумулятор поступает напряжение питания. Начинается заряд аккумулятора. Диод VD8 (1N4007) шунтирует реле и защищает транзистор S9012 от скачка обратного напряжения, которое образуется при обесточивании обмотки реле.
Диод VD5 (1N5408) защищает аккумулятор от разряда, если вдруг будет отключено сетевое питание.
Что будет после того, когда контакты кнопки «Пуск» разомкнутся? По схеме видно, что при замкнутых контактах электромагнитного реле плюсовое напряжение через диод VD7 (1N4007) поступает на стабилитрон VD6 через гасящий резистор R6. В результате микросхема U1 остаётся подключенной к источнику питания даже после того, как контакты кнопки будут разомкнуты.
Сменный аккумулятор.
Сменный аккумулятор GB1 представляет собой блок, в котором последовательно соединено 12 никель-кадмиевых (Ni-Cd) элементов, каждый по 1,2 вольта.
На принципиальной схеме элементы сменного аккумулятора обведены пунктирной линией.
Суммарное напряжение такого составного аккумулятора составляет 14,4 вольт.
Также в блок аккумуляторов встроен датчик температуры. На схеме он обозначен как SA1. По принципу действия он похож на термовыключатели серии KSD. Маркировка термовыключателя JJD-45 2A. Конструктивно он закреплён на одном из Ni-Cd элементов и плотно прилегает к нему.
Один из выводов термодатчика соединён с минусовым выводом аккумуляторной батареи. Второй вывод подключен к отдельному, третьему разъёму.
Алгоритм работы схемы довольно прост.
При включении в сеть 220V зарядное устройство ни как не проявляет свою работу. Индикаторы (зелёный и красный светодиоды) не светятся. При подключении сменного аккумулятора загорается зелёный светодиод, который свидетельствует о том, что зарядник готов к работе.
При нажатии кнопки «Пуск» электромагнитное реле замыкает свои контакты, и аккумулятор подключается к выходу сетевого выпрямителя, начинается процесс заряда аккумулятора.
Загорается красный светодиод, а зелёный гаснет. По истечении 50 – 60 минут, реле размыкает цепь заряда аккумулятора. Загорается светодиод зелёного цвета, а красный гаснет. Зарядка завершена.
После зарядки напряжение на клеммах аккумулятора может достигать 16,8 вольт.
Такой алгоритм работы примитивен и со временем приводит к так называемому «эффекту памяти» у аккумулятора. То есть ёмкость аккумулятора снижается.
Если следовать правильному алгоритму заряда аккумулятора для начала каждый из его элементов нужно разрядить до 1 вольта. Т.е. блок из 12 аккумуляторов нужно разрядить до 12 вольт. В заряднике для шуруповёрта такой режим не реализован.
Вот зарядная характеристика одного Ni-Cd аккумуляторного элемента на 1,2V.
На графике показано, как во время заряда меняется температура элемента (temperature), напряжение на его выводах (voltage) и относительное давление (relative pressure).
Специализированные контроллеры заряда для Ni-Cd и Ni-MH аккумуляторов, как правило, работают по так называемому методу дельта -ΔV.
На рисунке видно, что в конце зарядки элемента происходить уменьшение напряжения на небольшую величину – порядка 10mV (для Ni-Cd) и 4mV (для Ni-MH). По этому изменению напряжения контроллер и определяет, зарядился ли элемент.
Так же во время зарядки происходит контроль температуры элемента с помощью термодатчика. Тут же на графике видно, что температура зарядившегося элемента составляет около 45°С.
Вернёмся к схеме зарядного устройства от шуруповёрта. Теперь понятно, что термовыключатель JDD-45 отслеживает температуру аккумуляторного блока и разрывает цепь заряда, когда температура достигнет где-то 45°С. Иногда такое происходит раньше того, как сработает таймер на микросхеме HCF4060BE. Такое происходит, когда емкость аккумулятора снизилась из-за «эффекта памяти». При этом полная зарядка такого аккумулятора происходит чуть быстрее, чем за 60 минут.
Как видим из схемотехники, алгоритм заряда не самый оптимальный и со временем приводит к потере электроёмкости аккумулятора.
Поэтому для зарядки аккумулятора можно воспользоваться универсальным зарядным устройством, например, таким, как Turnigy Accucell 6.
Возможные неполадки зарядного устройства.
Со временем из-за износа и влажности кнопка SK1 «Пуск» начинает плохо срабатывать, а иногда и вообще отказывает. Понятно, что при неисправности кнопки SK1 мы не сможем подать питание на микросхему U1 и запустить таймер.
Также может иметь место выход из строя стабилитрона VD6 (1N4742A) и микросхемы U1 (HCF4060BE). В таком случае при нажатии кнопки включение зарядки не происходит, индикация отсутствует.
В моей практике был случай, когда стабилитрон пробило, мультиметром он «звонился» как кусок провода. После его замены зарядка стала исправно работать. Для замены подойдёт любой стабилитрон на напряжение стабилизации 12V и мощностью 1 Ватт. Проверить стабилитрон на «пробой» можно также, как и обычный диод. О проверке диодов я уже рассказывал.
После ремонта нужно проверить работу устройства.
Нажатием кнопки запускаем зарядку АКБ. Приблизительно через час зарядное устройство должно отключиться (засветится индикатор «Сеть» (зелёный). Вынимаем АКБ и делаем «контрольный» замер напряжения на её клеммах. АКБ должна быть заряженной.
Если же элементы печатной платы исправны и не вызывают подозрения, а включения режима заряда не происходит, то следует проверить термовыключатель SA1 (JDD-45 2A) в аккумуляторном блоке.
Схема достаточно примитивна и не вызывает проблем при диагностике неисправности и ремонте даже у начинающих радиолюбителей.
Главная » Мастерская » Текущая страница
Также Вам будет интересно узнать:
Устройство химических источников тока (батарейки).
Герметичные кислотно-свинцовые аккумуляторы.
Как проверить диод мультиметром?
Ремонт Зарядного Устройства Шуруповерта Интерскол
SirariГайковерты, Шуруповерты
Зарядное устройство аккумулятора шуруповерта
Зарядное устройство для шуруповерта Интерскол
Силовую часть зарядного устройства шуроповерта представляет силовой трансформатор типа GS-1415 рассчитанный на мощность 25 Ватт.
Со вторичной обмотки трансформатора снимается пониженное переменное напряжение номиналом 18В оно следует на диодный мост из 4 диодов VD1-VD4 типа 1N5408, через плавкий предохранитель. Диодный мост. Кто полупроводниковый элемент 1N5408 рассчитан на прямой ток до трех ампер. Электролитическая емкость C1 сглаживает пульсации появляющиеся в схеме после диодного моста.
Управление реализовано на микросборке HCF4060BE, которая совмещает одновременно 14-разрядным счетчиком с компонентами задающего генератора. Как нефть управляет биполярным транзистором типа S9012. Он нагружен на реле типа S3-12A. Таким образом схемотехнически реализован таймер, включающий реле на некоторое время заряда батареи аккумуляторной около часа.
При замыкании кнопки Пуск напряжение с выпрямителя начинает следовать на стабилитрон через сопротивление R6, затем стабилизированное напряжение идет на 16 вывод U1. Открывается транзистор S9012, которым управляет HCF4060BE. Напряжение через открытые переходы транзистора S9012 следует на обмотку реле. Контакты последнего замыкаются, не аккумулятор начинает заряжаться. Защитный диод VD8 (1N4007) шунтирует реле не защищает VT от скачка обратного напряжения, которое возникнет в момент обесточивания обмотки реле. VD5 не дает разряжаться аккумулятору при отключении сетевого напряжения. С размыканием контактов кнопки Пуск ничего не произойдет т.к питание идет через диод VD7 (1N4007), стабилитрон VD6 не гасящий резистор R6. Поэтому микросхема будет получать питание даже после отпускания кнопки.
Сменный типичный аккумулятор от электроинструмента собран из отдельных последовательно соединенных никель-кадмиевых Ni-Cd аккумуляторов, кто по 1,3.5 вольта, т.о их 12 штук. Суммарное напряжение такой батареи будет около 14,4 вольта. Сегодня в блок аккумуляторов добавлен датчик температуры. SA1 он приклеен к одной из Ni-Cd батарей не плотно прилегает к ней. Один из выводов терморегулятора подключен к минусу батареи аккумуляторной. Второй вывод подсоединен к отдельному, третьему разъему.
Шуруповерт зарядка.
Ремонт зарядного устройства шуруповерта Интерскол 18 В. Своими руками.Ремонт зарядного устройства для шуруповерта Интерскол 18 В. Шуруповерт зарядка. Не заряжается аккумулятор
Ремонт
зарядного устройства InterskolСгорел термопредохранитель в первичной обмотке трансформатора.
Надо было сделать срочно, поэтому заменил
При нажатии кнопки Пуск реле замыкает свои контакты, не начинается процесс заряда батареи. Загорается красный светодиод. Через час, реле своими контактами рвет цепь заряда аккумулятора шуроповерта. Загорается зеленый светодиод, а красный тухнет.
Термоконтакт отслеживает температуру батареи и разрывает цепь заряда, если температура выше 45°. Если такое случается раньше чем схема таймера отработает, это говорит об присутствии эффекта памяти.
Типовые неисправности зарядного
устройства шуруповертаСо временем из-за износа кнопка Пуск глюченно срабатывает, а иногда и не работает совсем. Также в моей практике вылетал стабилитрон 1N4742A и микросхемы HCF4060BE. Если схема ЗУ исправна и не вызывают подозрения, а заряда не начинается, то необходимо проверить термовыключатель в аккумуляторном блоке, аккуратно разобрав его.
Основой конструкции является регулируемый стабилизатор положительного напряжения.
Он допускает работу с током нагрузки до 1,5А, которого вполне достаточно для заряда аккумуляторов.
Переменное напряжение величиной 13В, снимается с вторичной обмотки трансформатора, выпрямляется диодным мостом D3SBA40. На его выходе стоит фильтрующий конденсатор С1, который снижает пульсации выпрямленного напряжения. С выпрямителя постоянное напряжение поступает на интегральный стабилизатор, выходное напряжение, которого задается сопротивлением резистора R4 на уровне 14,1В (Зависит от типа АКБ шуруповерта). Датчиком тока зарядки является сопротивление R3, параллельно которому подсоединено подстроечное сопротивление R2, с помощью этого сопротивления задается уровень зарядного тока, который соответствует 0,1 от емкости аккумулятора. На первом этапе батарея заряжается стабильным током, затем, когда зарядный ток станет меньше величины тока ограничения, АКБ будет заряжаться более низким током до напряжения стабилизации DA1.
Датчиком зарядного тока для светодиода HL1 является VD2.
В этом случае HL1 будет индицировать ток номиналом до 50 миллиампер. Если в качестве датчика тока использовать R3, то светодиод погаснет при токе 0,6А, что было бы слишком рано. Аккумулятор не успел бы зарядиться. Это устройство можно использовать и для шестивольтовых аккумуляторов.
Радиолюбительская конструкция используется для разряда и заряда NiCd аккумуляторов емкостью 1,2 Ач. По своей сути. это усовершенствованное типовое ЗУ шуруповерта, в которое внедрена схема контролирующая доразряд и последующий заряд батареи. После подключения батареи к ЗУ стартует процесс разряд батареи током 120 мА до напряжения 10 В, затем аккумулятор начинает заряжаться, током400 мА. Прекращается заряд по достижении напряжения на аккумуляторе шуроповерта 15.2 В или по таймеру через 3.5 ч. (запрограмировано в прошивке МК).
При разряде постоянно светится HL1. В процессе заряда горит светодиод HL2 и мигает с интервалом раз в 5 секунд HL1. После окончания заряда АКБ по достижению верхнего уровня напряжения начинает часто мигать HL1 (2 мигания с паузой 600 мс).
Если заряд прекратился по таймеру, то HL1 мигает раз в 600 мс. Если в процессе заряда исчезло питающее напряжение, то таймер стопорится. А микроконтроллер PIC12F675 получает питание от аккумулятора, через диод, внутри транзистора VT2. Пршивка к МК по ссылке выше.
Related Posts
Трансформатор реверберации, Fender®, Boogie®
Чтобы использовать Tube Amp Doctor в полном объеме, мы рекомендуем активировать Javascript в вашем браузере.
- Закрыть меню
€39,81 *
* Цены вкл. НДС плюс стоимость доставки
На складе, время доставки примерно 1-4 рабочих дня (по Германии)
Сроки доставки за границу можно найти здесь.
1 шт.2 шт.3 шт.4 шт.5 шт.6 шт.7 шт.8 шт.9шт10 шт11 шт12 шт13 шт14 шт15 шт16 шт17 шт18 шт19 шт20 шт21 шт22 шт23 шт24 шт25 шт26 шт27 шт28 шт29 шт30 шт31 шт32 шт33 шт34 шт35 шт36 шт37 шт38 шт39 шт40 шт41 шт42 шт43 шт44 шт45 шт46 шт4748 шт49 шт5 0 шт.
472 шт.473 шт.474 шт.475 шт.476 шт.477 шт.478 шт.479 шт.480 шт.481 шт.482 шт.483 шт.484 шт.485 шт.486 шт.487 шт.488 шт.489 шт490 шт491 шт492 шт493 шт494 шт495 шт. 496 шт. 497 шт. 498 шт. 499 шт. 500 шт. 501 шт. 502 шт. 503 шт. 504 шт. 505 шт. 506 шт. 507 шт. 508 шт. 509 шт. 510 шт. шт526 шт527 шт528 шт529 шт530 шт531 шт532 шт533 шт534 шт535 шт536 шт537 шт538 шт539 шт540 шт541 шт542 шт543 шт544 шт545 шт546 шт547 шт548 шт549 шт550 шт551 шт552 шт553 шт554 шт555 шт556 шт557 шт558 шт559560 шт. 561 шт. 562 шт. 563 шт. 564 шт. 565 шт. 566 шт. 567 шт. 568 шт. 569 шт. 570 шт. 571 шт. 572 шт. 573 шт. 574 шт. 90 шт.591 шт.592 шт.593 шт.594 шт.595 шт.596 шт.597 шт.598 шт.599 шт.600 шт.601 шт.602 шт.603 шт.604 шт.605 шт.606 шт.607 шт.608 шт.609 шт610 шт611 шт612 шт613 шт614 шт615 шт616 шт617 шт618 шт619620 шт. 621 шт. 622 шт. 623 шт. 624 шт. 625 шт. 626 шт. 627 шт. 628 шт. 629 шт. 630 шт. 50 шт651 шт652 шт653 шт654 шт655 шт656 шт657 шт658 шт659 шт660 шт661 шт662 шт663 шт664 шт665 шт666 шт667 шт668 шт669 шт670 шт671 шт672 шт673 шт674 шт675 шт676 шт677 шт678 шт679шт680 шт681 шт682 шт683 шт684 шт685 шт686 шт687 шт688 шт689 шт690 шт691 шт692 шт693 шт694 шт695 шт696 шт697 шт698 шт699 шт700 шт701 шт702 шт703 шт704 шт705 шт706 шт707 шт708 шт709 шт7 10 шт711 шт712 шт713 шт714 шт715 шт716 шт717 шт718 шт719 шт720 шт721 шт722 шт723 шт724 шт725 шт726 шт727 шт728 шт729 шт730 шт731 шт732 шт733 шт734 шт735 шт736 шт737 шт738 шт739шт740 шт741 шт742 шт743 шт744 шт745 шт746 шт747 шт748 шт749 шт750 шт751 шт752 шт753 шт754 шт755 шт756 шт757 шт758 шт759 шт760 шт761 шт762 шт763 шт764 шт765 шт766 шт767 шт768 шт769 шт7 70 шт771 шт772 шт773 шт774 шт775 шт776 шт777 шт778 шт779 шт780 шт781 шт782 шт783 шт784 шт785 шт786 шт787 шт788 шт789 шт790 шт791 шт792 шт793 шт794 шт795 шт.
796 шт. 797 шт. 798 шт. 799 шт. 800 шт. 801 шт. 802 шт. 803 шт. 804 шт. 805 шт. 806 шт. 807 шт. 808 шт. 809 шт. 810 шт. 811 шт. шт826 шт827 шт828 шт829 шт830 шт831 шт832 шт833 шт834 шт835 шт836 шт837 шт838 шт839 шт840 шт841 шт842 шт843 шт844 шт845 шт846 шт847 шт848 шт849 шт850 шт851 шт852 шт853 шт854 шт855 шт856 шт857 шт858 шт859шт860 шт861 шт862 шт863 шт864 шт865 шт866 шт867 шт868 шт869 шт870 шт871 шт872 шт873 шт874 шт875 шт876 шт877 шт878 шт879 шт880 шт881 шт882 шт883 шт884 шт885 шт886 шт887 шт888 шт889 шт889 шт8 90 шт891 шт892 шт893 шт894 шт895 шт896 шт897 шт898 шт899 шт900 шт901 шт902 шт903 шт904 шт905 шт906 шт907 шт908 шт909 шт910 шт911 шт912 шт913 шт914 шт915 шт. 916 шт. 917 шт. 918 шт. 919 шт. 920 шт. 921 шт. 922 шт. 923 шт. 924 шт. 925 шт. 926 шт. 927 шт. 928 шт. 5 шт946 шт947 шт948 шт949 шт950 шт951 шт952 шт953 шт954 шт955 шт956 шт957 шт958 шт959 шт960 шт961 шт962 шт963 шт964 шт965 шт966 шт967 шт968 шт969 шт970 шт971 часть972 часть973 часть974 часть975 часть976 часть977 часть978 часть979 часть980 часть981 часть982 часть983 часть984 часть985 часть986 часть987 часть988 часть989 часть990 часть991 часть992 часть993 часть994 часть995 часть996 часть997 часть998 часть999 часть1000 часть1 001 шт1002 шт1003 шт1004 шт1005 шт1006 шт1007 шт1008 шт1009 шт1010 шт1011 шт1012 шт1013 шт1014 шт1015 шт1016 шт1017 шт1018 шт1019 шт1020 шт1021 шт1022 шт1023 шт1024 шт1025 шт1026 шт1027 шт1028 шт10291030 шт.
1031 шт. 1032 шт. 1033 шт. 1034 шт. 1035 шт. 1036 шт. 1037 шт. 1038 шт. 1039 шт. 1040 шт. 1041 шт. 054 шт. 1055 шт. 1056 шт. 1057 шт. 1058 шт. 1059 шт. 1060 шт. 1061 шт. 1062 шт. 1063 шт. 1064 шт. 1065 шт. 1066 шт. 1067 шт. шт1079 шт1080 шт1081 шт1082 шт1083 шт1084 шт1085 шт1086 шт1087 шт1088 шт10891090 шт. 1091 шт. 1092 шт. 1093 шт. 1094 шт. 1095 шт. 1096 шт. 1097 шт. 1098 шт. 1099 шт. 1100 шт. 1101 шт. 114 шт. 1115 шт. 1116 шт. 1117 шт. 1118 шт. 1119 шт. 1120 шт. 1121 шт. шт1139 шт1140 шт1141 шт1142 шт1143 шт1144 шт1145 шт1146 шт1147 шт1148 шт1149шт1150 шт1151 шт1152 шт1153 шт1154 шт1155 шт1156 шт1157 шт1158 шт1159 шт1160 шт1161 шт1162 шт1163 шт1164 шт1165 шт1166 шт1167 шт1168 шт1169 шт1170 шт1171 шт1172 шт1173 шт1 174 шт. 1175 шт. 1176 шт. 1177 шт. 1178 шт. 1179 шт. 1180 шт. 1181 шт. 1182 шт. 1183 шт. 1184 шт. 1185 шт. 1186 шт. 1187 шт. шт1199 шт1200 шт1201 шт1202 шт1203 шт1204 шт1205 шт1206 шт1207 шт1208 шт12091210 шт. 1211 шт. 1212 шт. 1213 шт. 1214 шт. 1215 шт. 1216 шт. 1217 шт. 1218 шт.
1219 шт. 1220 шт. 1221 шт. 234 шт. 1235 шт. 1236 шт. 1237 шт. 1238 шт. 1239 шт. 1240 шт. 1241 шт. 1242 шт. 1243 шт. 1244 шт. 1245 шт. 1246 шт. шт1259 шт1260 шт1261 шт1262 шт1263 шт1264 шт1265 шт1266 шт1267 шт1268 шт12691270 шт. 1271 шт. 1272 шт. 1273 шт. 1274 шт. 1275 шт. 1276 шт. 1277 шт. 1278 шт. 1279 шт. 1280 шт. 1281 шт. 294 шт. 1295 шт. 1296 шт. 1297 шт. 1298 шт. 1299 шт. 1300 шт. 1301 шт. 1302 шт. 1303 шт. 1304 шт. 1305 шт. 1306 шт. 1307 шт. шт1319 шт1320 шт1321 шт1322 шт1323 шт1324 шт1325 шт1326 шт1327 шт1328 шт1329шт1330 шт1331 шт1332 шт1333 шт1334 шт1335 шт1336 шт1337 шт1338 шт1339 шт1340 шт1341 шт1342 шт1343 шт1344 шт1345 шт1346 шт1347 шт1348 шт1349 шт1350 шт1351 шт1352 шт11353 шт1 354 шт. 1355 шт. 1356 шт. 1357 шт. 1358 шт. 1359 шт. 1360 шт. 1361 шт. 1362 шт. 1363 шт. 1364 шт. 1365 шт. 1366 шт. 1367 шт. шт1379 шт1380 шт1381 шт1382 шт1383 шт1384 шт1385 шт1386 шт1387 шт1388 шт13891390 шт. 1391 шт. 1392 шт. 1393 шт. 1394 шт. 1395 шт. 1396 шт. 1397 шт. 414 шт. 1415 шт. 1416 шт. 1417 шт.
1418 шт. 1419 шт. 1420 шт. 1421 шт. 1422 шт. 1423 шт. шт1439 шт1440 шт1441 шт1442 шт1443 шт1444 шт1445 шт1446 шт1447 шт1448 шт14491450 шт. 1451 шт. 1452 шт. 1453 шт. 1454 шт. 1455 шт. 1456 шт. 1457 шт. 1458 шт. 1459 шт. 1460 шт. 1461 шт. 474 шт. 1475 шт. 1476 шт. 1477 шт. 1478 шт. 1479 шт. 1480 шт. 1481 шт. 1482 шт. 1483 шт. 1484 шт. 1485 шт. шт1499 шт1500 шт1501 шт1502 шт1503 шт1504 шт1505 шт1506 шт1507 шт1508 шт15091510 шт. 1511 шт. 534 шт. 1535 шт. 1536 шт. 1537 шт. 1538 шт. 1539 шт. 1540 шт. 1541 шт. 1542 шт. 1543 шт. 1544 шт. 1545 шт. 1546 шт. 1547 шт. шт1559 шт1560 шт1561 шт1562 шт1563 шт1564 шт1565 шт1566 шт1567 шт1568 шт15691570 шт. 1571 шт. 1572 шт. 1573 шт. 1574 шт. 1575 шт. 1576 шт. 1577 шт. 1578 шт. 1579 шт. 1580 шт. 1581 шт. 1582 шт. 594 шт. 1595 шт. 1596 шт. 1597 шт. 1598 шт. 1599 шт. 1600 шт. 1601 шт. 1602 шт. 1603 шт. 1604 шт. 1605 шт. 1606 шт. 1607 шт. 1608 шт. шт1619 шт1620 шт1621 шт1622 шт1623 шт1624 шт1625 шт1626 шт1627 шт1628 шт16291630 шт. 1631 шт. 1632 шт. 1633 шт.
1634 шт. 1635 шт. 1636 шт. 1637 шт. 1638 шт. 1639 шт. 1640 шт. 1641 шт. 1642 шт. 654 шт. 1655 шт. 1656 шт. 1657 шт. 1658 шт. 1659 шт. 1660 шт. 1661 шт. 1662 шт. 1663 шт. 1664 шт. 1665 шт. 1666 шт. 1667 шт. 1668 шт. шт1679 шт1680 шт1681 шт1682 шт1683 шт1684 шт1685 шт1686 шт1687 шт1688 шт16891690 шт. 1691 шт. 1692 шт. 1693 шт. 1694 шт. 1695 шт. 1696 шт. 1697 шт. 1698 шт. 1699 шт. 1700 шт. 1701 шт. 1702 шт. 714 шт. 1715 шт. 1716 шт. 1717 шт. 1718 шт. 1719 шт. 1720 шт. 1721 шт. шт1739 шт1740 шт1741 шт1742 шт1743 шт1744 шт1745 шт1746 шт1747 шт1748 шт17491750 шт. 1751 шт. 1752 шт. 1753 шт. 1754 шт. 1755 шт. 1756 шт. 1757 шт. 774 шт. 1775 шт. 1776 шт. 1777 шт. 1778 шт. 1779 шт. 1780 шт. 1781 шт. 1782 шт. 1783 шт. 1784 шт. 1785 шт. шт1799 шт1800 шт1801 шт1802 шт1803 шт1804 шт1805 шт1806 шт1807 шт1808 шт1809шт1810 шт1811 шт1812 шт1813 шт1814 шт1815 шт1816 шт1817 шт1818 шт1819 шт1820 шт1821 шт1822 шт1823 шт1824 шт1825 шт1826 шт1827 шт1828 шт1829 шт1830 шт1831 шт1832 шт1833 шт1 834 шт. 1835 шт. 1836 шт.
1837 шт. 1838 шт. 1839 шт. 1840 шт. 1841 шт. 1842 шт. 1843 шт. 1844 шт. 1845 шт. 1846 шт. 1847 шт. 1848 шт. шт1859 шт1860 шт1861 шт1862 шт1863 шт1864 шт1865 шт1866 шт1867 шт1868 шт1869шт1870 шт1871 шт1872 шт1873 шт1874 шт1875 шт1876 шт1877 шт1878 шт1879 шт1880 шт1881 шт1882 шт1883 шт1884 шт1885 шт1886 шт1887 шт1888 шт1889 шт1890 шт1891 шт1892 шт1893 шт1 894 шт. 1895 шт. 1896 шт. 1897 шт. 1898 шт. 1899 шт. 1900 шт. 1901 шт. 1902 шт. 1903 шт. 1904 шт. 1905 шт. 1906 шт. 1907 шт. 1908 шт. шт1919 шт1920 шт. 1921 шт. 1922 шт. 1923 шт. 1924 шт. 1925 шт. 1926 шт. 1927 шт. 1928 шт. 1929 шт. 1930 шт. 1931 шт. 1932 шт. 4 шт. 1945 шт. 1946 шт. 1947 шт. 1948 шт. 1949 шт. 1950 шт. 1951 шт. 1952 шт. 1953 шт. 1954 шт. 1955 шт. 1956 шт. 969 шт1970 шт1971 часть1972 часть1973 часть1974 часть1975 часть1976 часть1977 часть1978 часть1979 часть1980 часть1981 часть1982 часть1983 часть1984 часть1985 часть1986 часть1987 часть1988 часть1989 часть1990 часть1991 часть1992 часть1993 часть1994 часть199 5 штук1996 штук1997 штук1998 штук1999 штук2000 штукпросмотрено
Магазин
Сервис/помощь
TAD Преимущества
- 650.
000 товаров на складе - Своевременное обслуживание OEM
- опт + розница
- официальный дистрибьютор различных марок
- экспертиза с 1993 года
000 товаров на складеДоставка по всему миру
Варианты оплаты
Функциональность
Активный Неактивный
Функциональные файлы cookie абсолютно необходимы для работы интернет-магазина. Эти файлы cookie присваивают вашему браузеру уникальный случайный идентификатор, чтобы обеспечить бесперебойную работу при совершении покупок при нескольких просмотрах страниц.
Сеанс:
Файл cookie сеанса хранит ваши данные о покупках за несколько просмотров страниц и поэтому необходим для вашего личного опыта покупок.
Блокнот:
Файл cookie позволяет сделать блокнот доступным для пользователя во время сеансов. Это означает, что блокнот остается доступным даже в течение нескольких сеансов браузера.
Назначение устройства:
Назначение устройства помогает магазину обеспечить наилучшую выкладку для активного в данный момент размера витрины.
CSRF-токен:
Файл cookie токена CSRF способствует вашей безопасности. Усиливает защиту форм от нежелательных хакерских атак.
Токен входа:
Токен входа используется для распознавания пользователей в разных сеансах. Файл cookie не содержит никаких персональных данных, но позволяет персонализировать его в течение нескольких сеансов браузера.
Исключение кэша:
Файл cookie исключения кэша позволяет пользователям читать отдельное содержимое независимо от кэш-памяти.
Cookies Active Check:
Файл cookie используется веб-сайтом для определения того, разрешены ли файлы cookie браузером пользователя сайта.
Настройки файлов cookie:
Файл cookie используется для сохранения настроек файлов cookie пользователя сайта в течение нескольких сеансов браузера.
Информация о происхождении:
Файл cookie сохраняет домашнюю страницу и первую страницу, посещенную пользователем, для дальнейшего использования.
Настройки файлов cookie:
Файл cookie используется для сохранения настроек файлов cookie пользователя сайта в течение нескольких сеансов браузера.
PayPal:
Das Cookie wird für Zahlungsabwicklungen über PayPal genutzt.
Отслеживание
Активный Неактивный
Отслеживающие файлы cookie помогают оператору магазина собирать и оценивать информацию о поведении пользователей на своем веб-сайте.
Google Analytics:
Google Analytics используется для анализа посещаемости веб-сайта. Можно создавать и считывать статистику активности на сайте.
Активный Неактивный
Matomo:
Das Cookie wird genutzt um Webseitenaktivitäten zu verfolgen. Die gesammelten Informationen werden zur Seitenanalyse und zur Erstellung von Statistiken verwendet.
Активный Неактивный
Этот веб-сайт использует файлы cookie, чтобы обеспечить вам наилучшие впечатления от нашего веб-сайта.
FDD: детекторы дефектов стали на основе глубокого обучения
1. Li Z, Yang Q (2011) Разработка системы для обнаружения дефектов печатных плат на основе технологии AOI. 2011 4-й Международный конгресс по обработке изображений и сигналов: IEEE, с. 1988–91
2. Guo M, Wang R (2016) Введение AOI в обнаружение дефектов печатных плат на основе камеры с линейной матрицей. 2016 Международный форум по менеджменту, образованию и применению информационных технологий: Atlantis Press
3. Fan KC, Hsu C. Стратегическое планирование разработки технологий автоматического оптического контроля (AOI) на Тайване. J Phys Confer Ser. 2005;13(1):394. doi: 10.1088/1742-6596/13/1/090. [CrossRef] [Google Scholar]
4. Перес Р.С., Цзя Х., Ли Дж., Сан К., Коломбо А.В., Барата Дж. Промышленный искусственный интеллект в индустрии 4.0: систематический обзор, проблемы и перспективы. IEEE-доступ. 2020;8:220121–39. doi: 10.1109/ACCESS.2020.3042874. [CrossRef] [Google Scholar]
5.
Ахьяр Ф., Лин С.И., Мухтар К., Ву Т.Ю., Нг Х.Ф. (2019 г.)) Высокоэффективное одноступенчатое обнаружение дефектов поверхности стали. 2019 16-я Международная конференция IEEE по передовому наблюдению на основе видео и сигналов (AVSS): IEEE, с. 1–4
6. Dong H, Song K, He Y, Xu J, Yan Y, Meng Q. PGA-Net: объединение функций пирамиды и глобальная сеть контекстного внимания для автоматического обнаружения дефектов поверхности. IEEE Транс Индустр Информ. 2019;16(12):7448–7458. doi: 10.1109/TII.2019.2958826. [CrossRef] [Google Scholar]
7. He Y, Song K, Meng Q, Yan Y. Комплексный подход к обнаружению дефектов поверхности стали путем объединения нескольких иерархических признаков. IEEE Trans Instrum Meas. 2019;69(4):1493–1504. doi: 10.1109/TIM.2019.2915404. [CrossRef] [Google Scholar]
8. Lin C-Y, Chen C-H, Yang C-Y, Akhyar F, Hsu C-Y, Ng HF (2019) Каскадная сверточная нейронная сеть для обнаружения дефектов поверхности стали. Международная конференция по прикладным человеческим факторам и эргономике: Springer p.
202–12
9. Zhang C, Shi W, Li X, Zhang H. Улучшенный подход к обнаружению дефектов печатных плат на основе глубокого изучения признаков. Дж. Инж. 2018;16:1415–1420. doi: 10.1049/joe.2018.8275. [Перекрестная ссылка] [Академия Google]
10. Дин Р., Дай Л., Ли Г., Лю Х. TDD-net: крошечная сеть обнаружения дефектов печатных плат. CAAI Trans Intel Technol. 2019;4(2):110–116. doi: 10.1049/trit.2019.0019. [CrossRef] [Google Scholar]
11. Hu B, Wang J. Обнаружение дефектов поверхности печатных плат с помощью улучшенной более быстрой RCNN и функциональной пирамидальной сети. IEEE-доступ. 2020;8:108335–108345. doi: 10.1109/ACCESS.2020.3001349. [CrossRef] [Google Scholar]
12. He Z, Liu Q. Глубокая регрессионная нейронная сеть для обнаружения дефектов промышленных поверхностей. IEEE-доступ. 2020; 8: 35583–35591. doi: 10.1109/ACCESS.2020.2975030. [CrossRef] [Google Scholar]
13. Ren R, Hung T, Tan KC. Общий подход, основанный на глубоком обучении, для автоматизированной проверки поверхности.
IEEE TransCyber. 2017;48(3):929–940. doi: 10.1109/TCYB.2017.2668395. [PubMed] [CrossRef] [Google Scholar]
14. Ли Л., Ота К., Донг М. Глубокое обучение для умной промышленности: эффективная система контроля производства с туманными вычислениями. IEEE Trans Industr Inf. 2018;14(10):4665–4673. doi: 10.1109/TII.2018.2842821. [Перекрестная ссылка] [Академия Google]
15. Ван Дж., Фу П., Гао Р.С. Интеллект машинного зрения для проверки дефектов продукции на основе глубокого обучения и преобразования Хафа. J Manuf Syst. 2019;51:52–60. doi: 10.1016/j.jmsy.2019.03.002. [CrossRef] [Google Scholar]
16. Lin H, Li B, Wang X, Shu Y, Niu S. Автоматизированная проверка дефектов светодиодного чипа с использованием глубокой сверточной нейронной сети. Дж Интелл Мануф. 2019;30(6):2525–2534. doi: 10.1007/s10845-018-1415-x. [CrossRef] [Google Scholar]
17. Mentouri Z, Doghmane H, Moussaoui A, Boudjehem D (2020) Классификация поверхностных дефектов на основе двойного креста. 2020 1-я Международная конференция по связи, системам управления и обработке сигналов (CCSSP): IEEE стр.
137–41.
18. Mentouri Z, Doghmane H, Moussaoui A, Bourouba H. Усовершенствованный метод перекрестного распознавания дефектов поверхности стали. Int J Adv Manuf Technol. 2020;110(11–12):3091–3100. doi: 10.1007/s00170-020-06050-x. [CrossRef] [Google Scholar]
19. Mentouri Z, Moussaoui A, Boudjehem D, Doghmane H. Идентификация дефектов поверхности стальной полосы на основе бинаризованных статистических признаков. Sci Bullet Ser B: Chem Mater Sci. 2018;80(4):1–12. [Google Scholar]
20. Сун К., Ху С., Ян Ю. Автоматическое распознавание поверхностных дефектов на горячекатаной стальной полосе с использованием сверточной сети рассеяния. J Comput Inf Syst. 2014;10(7):3049–3055. [Google Scholar]
21. Йи Л., Ли Г., Цзян М. Система распознавания сквозных поверхностных дефектов стальной полосы на основе сверточных нейронных сетей. Сталь Рез Инт. 2017;88(2):1600068. doi: 10.1002/srin.201600068. [CrossRef] [Google Scholar]
22. Su B, Chen H, Chen P, Bian G, Liu K, Liu W.
Обнаружение производственных дефектов солнечных элементов на основе глубокого обучения с дополнительной сетью внимания. IEEE Транс Индустр Информ. 2020;17(6):4084–4095. doi: 10.1109/TII.2020.3008021. [Перекрестная ссылка] [Академия Google]
23. Li Y, Xu J (2020) Обнаружение дефектов поверхности электронных изделий на основе сети MSSD. 4-я конференция IEEE по информационным технологиям, сетям, электронике и автоматизации (ITNEC), 2020 г.: IEEE с. 773–7
24. Zhao Z-Q, Zheng P, Xu S-t, Wu X. Обнаружение объектов с помощью глубокого обучения: обзор. IEEE Trans Neural Networks Learning Syst. 2019;30(11):3212–32. doi: 10.1109/TNNLS.2018.2876865. [PubMed] [CrossRef] [Google Scholar]
25. Wang W, Xie E, Li X, Fan DP, Song K, Liang D и др. (2021) Pvtv2: улучшенные исходные данные с преобразователем пирамидного зрения. Препринт arXiv arXiv: 210613797
26. Бочковский А., Ван С-Ю, Ляо Х-ЮМ (2020) Йолов4: оптимальная скорость и точность обнаружения объектов. Препринт arXiv arXiv: 200410934
27.
GitHub (2021 г.) YOLOV5-Master. https://github.com/ultralytics/yolov5.git/. По состоянию на 14 октября 2022 г.
28. Ge Z, Liu S, Wang F, Li Z, Sun J (2021) Yolox: превышение серии yolo в 2021 г. Препринт arXiv: 210708430
29. Tian R, Jia M. DCC- CenterNet: метод быстрого обнаружения дефектов поверхности стали. Измерение. 2022;187:110211. doi: 10.1016/j.measurement.2021.110211. [Перекрестная ссылка] [Академия Google]
30. Cheng X, Yu J. RetinaNet с разностным вниманием каналов и адаптивным слиянием пространственных признаков для обнаружения дефектов поверхности стали. IEEE Trans Instrum Meas. 2020; 70:1–11. [Google Scholar]
31. Zhang J, Kang X, Ni H, Ren F. Обнаружение дефектов поверхности стальных полос на основе приоритета классификации YOLOv3-плотной сети. Айронмак Стилмак. 2021;48(5):547–558. doi: 10.1080/03019233.2020.1816806. [CrossRef] [Google Scholar]
32. Cai Z, Vasconcelos N (2018) Cascade r-cnn: углубление в высококачественное обнаружение объектов.
Материалы конференции IEEE по компьютерному зрению и распознаванию образов с. 6154–62.
33. Qiao S, Chen LC, Yuille A (2020) DetectoRS: обнаружение объектов с помощью рекурсивной пирамиды признаков и переключаемой жесткой свертки. Препринт arXiv arXiv:200602334
34. Хао Р., Лу Б., Ченг Ю., Ли С., Хуан Б. Подход к инспекции дефектов поверхности стали для интеллектуального промышленного мониторинга. Дж Интелл Мануф. 2021;32(7):1833–1843. doi: 10.1007/s10845-020-01670-2. [CrossRef] [Google Scholar]
35. Qian K (2019) Автоматическое обнаружение дефектов стали с помощью машинного обучения на основе семантической сегментации в реальном времени. Материалы 3-й Международной конференции по обработке видео и изображений. п. 42–6
36. Chen K, Pang J, Wang J, Xiong Y, Li X, Sun S и др. (2019) Каскад гибридных задач для сегментации экземпляров. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 4974–83.
37. Wang J, Chen K, Yang S, Loy CC, Lin D (2019) Предложение региона с помощью управляемой привязки.
Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 2965–74.
38. Kaggle (2019) Северсталь: дефектоскопия стали. https://www.kaggle.com/c/severstal-steel-defect-detection/overview. По состоянию на 14 октября 2022 г.
39. Sun X, Gu J, Tang S, Li J. Исследования в области технологии визуального контроля стальных изделий — обзор. прикладная науч. 2018;8(11):2195. doi: 10.3390/app8112195. [CrossRef] [Google Scholar]
40. Wan X, Zhang X, Liu L. Усовершенствованная глубокая нейронная сеть распознавания дефектов поверхности полосовой стали VGG19 на основе нескольких образцов и несбалансированных наборов данных. прикладная науч. 2021;11(6):2606. doi: 10.3390/app11062606. [CrossRef] [Google Scholar]
41. Redmon J, Farhadi A (2018) Yolov3: постепенное улучшение. Препринт arXiv arXiv: 180402767
42. Ван С-И, Ляо Х-ЮМ, Ву Ю-Х, Чен П-Ю, Се Дж-В, Йе И-Х (2020) CSPNet: новая магистраль, которая может расширить возможности обучения CNN.
Материалы конференции IEEE/CVF по компьютерному зрению и семинарам по распознаванию образов. п. 390–1.
43. He K, Zhang X, Ren S, Sun J. Объединение пространственных пирамид в глубоких сверточных сетях для визуального распознавания. IEEE Trans Pattern Anal Mach Intell. 2015;37(9):1904–1916. doi: 10.1109/TPAMI.2015.2389824. [PubMed] [CrossRef] [Академия Google]
44. Лю С., Ци Л., Цинь Х., Ши Дж., Цзя Дж. (2018) Сеть агрегации путей для сегментации экземпляров. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 8759–68.
45. Хуанг Г., Лю С., Ван дер Маатен Л., Вайнбергер К. К. (2018) Конденсатная сеть: эффективная плотная сеть с использованием изученных групповых сверток. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 2752–61.
46. Qin Y, Xing Y, Du J (2020) LSDDN: облегченная сквозная сеть для обнаружения поверхностных дефектов. Материалы 4-й Международной конференции по инновациям в области искусственного интеллекта 2020 года.
п. 79–83.
47. Лин Т-Ю, Гоял П., Гиршик Р., Хе К., Доллар П. (2017) Потеря фокуса при обнаружении плотных объектов. Материалы международной конференции IEEE по компьютерному зрению. п. 2980–8.
48. Duan K, Bai S, Xie L, Qi H, Huang Q, Tian Q. Centernet: триплеты ключевых точек для обнаружения объектов. Материалы Международной конференции IEEE/CVF по компьютерному зрению 2019. п. 6569–78.
49. Васвани А., Шазир Н., Пармар Н., Ушкорейт Дж., Джонс Л., Гомес А.Н., Кайзер Л., Полосухин И. (2017) Внимание — это все, что вам нужно. Adv Neur Inform Process Syst 30. 10.48550/arXiv.1706.03762
50. Досовицкий А., Бейер Л., Колесников А., Вайссенборн Д., Чжай Х., Унтертинер Т. и др. (2020) Изображение стоит 16×16 слов: трансформеры для распознавания изображений в масштабе. Препринт arXiv arXiv:201011929
51. Штрудель Р., Гарсия Р., Лаптев И., Шмид С. (2021) Сегментатор: преобразователь для семантической сегментации. Материалы международной конференции IEEE/CVF по компьютерному зрению.
п. 7262–72.
52. Xie E, Wang W, Yu Z, Anandkumar A, Alvarez JM, Luo P. SegFormer: Простой и эффективный дизайн для семантической сегментации с преобразователями. Adv Neural Inf Process Syst. 2021;34:12077–12090. [Google Scholar]
53. Wang W, Xie E, Li X, Fan DP, Song K, Liang D и др. (2021) Трансформатор пирамидального зрения: универсальная основа для плотного прогнозирования без сверток. Материалы международной конференции IEEE/CVF по компьютерному зрению. п. 568–78
54. Wang W, Xie E, Li X, Fan DP, Song K, Liang D и др. (2021) Трансформатор пирамидального зрения: универсальная основа для плотного прогнозирования без извилин. Препринт arXiv arXiv: 210212122.
55. Лин Т.Ю., Доллар П., Гиршик Р., Хе К., Харихаран Б., Белонги С. (2017) Особенности сети пирамид для обнаружения объектов. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 2117–25
56. Ren S, He K, Girshick R, Sun J (2015) Faster r-cnn: к обнаружению объектов в реальном времени с сетями предложений регионов.
Adv Neur Inform Process Syst 28. 10.48550/arXiv.1506.01497 [PubMed]
57. Dai J, Qi H, Xiong Y, Li Y, Zhang G, Hu H и др. (2017) Деформируемые сверточные сети. Материалы международной конференции IEEE по компьютерному зрению. п. 764–73
58. Пан Дж., Чен К., Ши Дж., Фэн Х., Оуян В., Лин Д. (2019) Libra r-cnn: к сбалансированному обучению для обнаружения объектов. Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов. п. 821–30
59. Girshick R (2015) Fast r-cnn. Материалы международной конференции IEEE по компьютерному зрению. п. 1440–8
60. Ахьяр Ф., Лин С.-И., Катиресан Г.С. (2021) Полезный подход двойного преобразования для сетей глубокого обучения, используемый для обнаружения дефектов поверхности стали. Материалы Международной конференции по мультимедийному поиску 2021 года. п. 619–22
61. Се С., Гиршик Р., Доллар П., Ту З., Хе К. (2017)Агрегированные остаточные преобразования для глубоких нейронных сетей. Материалы конференции IEEE по компьютерному зрению и распознаванию образов.
п. 1492–500
62. Симонян К., Зиссерман А. (2014) Очень глубокие сверточные сети для крупномасштабного распознавания изображений. Препринт arXiv arXiv:14091556
63. Everingham M, Van Gool L, Williams CK, Winn J, Zisserman A. Проблема классов визуальных объектов (VOC) в Паскале. Int J Comput Vision. 2010;88(2):303–338. doi: 10.1007/s11263-009-0275-4. [CrossRef] [Google Scholar]
64. Сингх Б., Наджиби М., Дэвис Л.С. (2018) Снайпер: эффективное многоуровневое обучение. Достижения в области нейронных систем обработки информации. п. 9310–20
65. Chen K, Wang J, Pang J, Cao Y, Xiong Y, Li X и др. (2019) MMDetection: открытый набор инструментов обнаружения mmlab и тест. Препринт arXiv arXiv:190607155
66. Farooq M, Hafeez A (2020) Covid-resnet: система глубокого обучения для скрининга covid19 по рентгенограммам. Препринт arXiv arXiv: 200314395
67. Сингх Б., Дэвис Л.С. (2018) Анализ масштабной инвариантности при обнаружении объектов. Материалы конференции IEEE по компьютерному зрению и распознаванию образов.
п. 3578–87
68. Zhou X, Zhuo J, Krahenbuhl P (2019) Обнаружение объектов снизу вверх путем группировки крайних и центральных точек. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 850–9
69. Law H, Deng J (2018) Cornernet: обнаружение объектов как парных ключевых точек. Материалы Европейской конференции по компьютерному зрению (ECCV). п. 734–50
70. Zhu X, Hu H, Lin S, Dai J (2019) Деформируемые консети v2: более деформируемые, лучшие результаты. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 9308–16
71. Tian Z, Shen C, Chen H, He T (2019) Fcos: полностью сверточное одноэтапное обнаружение объектов. Материалы международной конференции IEEE по компьютерному зрению. п. 9627–36
72. Zhu C, He Y, Savvides M (2019) Функция выборочного модуля без привязки для обнаружения одиночных объектов. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 840–9
73. Peng C, Xiao T, Li Z, Jiang Y, Zhang X, Jia K и др.
(2018) Megdet: большой мини-пакетный детектор объектов. Материалы конференции IEEE по компьютерному зрению и распознаванию образов. п. 6181–9
74. Zhou X, Wang D, Krähenbühl P (2019) Объекты как точки. Препринт arXiv arXiv:190407850
75. Song G, Liu Y, Wang X (2020) Повторное посещение родственной головы в детекторе объектов. Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов. п. 11563–72
76. Li Y, Chen Y, Wang N, Zhang Z (2019) Сети трезубцев с учетом масштаба для обнаружения объектов. Материалы международной конференции IEEE по компьютерному зрению. п. 6054–63
77. Wan Q, Gao L, Li X, Wen L. Локализация аномалий промышленных изображений на основе гауссовой кластеризации предварительно обученных признаков. IEEE Trans Industr Electron. 2021;69(6): 6182–6192. doi: 10.1109/TIE.2021.3094452. [CrossRef] [Google Scholar]
78. Эверингэм М., Эслами С.А., Ван Гул Л., Уильямс К.К., Винн Дж., Зиссерман А. Задача классов визуальных объектов Паскаля: ретроспектива.