芯片工业瑕疵分类深度学习项目

人工智能 其他 案例ID：128544
巨头仙子
1 年经验· Intel
微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

 芯片工业瑕疵分类深度学习项目：基于Intel生产线6200+张芯片截图数据集，通过标记、图像预处理和数据增强、Tensorflow，简历CNN模型，model score 达到86%，accuracy提高在88%左右,并且与实际生产线ID关联，方便后续统计；该项目应用于英特尔成都DP Department的日常工作中；
 利用NodeJS 和MongoDB作为前后端支持建立实时在线问题收集留言板，将留言信息及时发到指定邮
 利用MySQL对团队日常数据库进行管理， 编写query抓取机器故障、芯元处理速度等的数据，进行简单的数据分析在Ops meeting上总结汇报

案例图片

共 2 张
芯片工业瑕疵分类深度学习项目 芯片工业瑕疵分类深度学习项目
查看该工程师的更多案例 >

相似案例推荐

SC高速项目
SC高速项目
项目描述： 1.系统通过对道路相关数据（车辆、违法、事故、
SC高速项目
SC高速项目
项目描述： 1.系统通过对道路相关数据（车辆、违法、事故、
深度学习机器学习算法构筑
深度学习机器学习算法构筑
使用TensorFlow 底层API 搭建CNN 模型，并加
深度学习机器学习算法构筑
深度学习机器学习算法构筑
使用TensorFlow 底层API 搭建CNN 模型，并加
基于地图信息的5g信号功率预测
基于地图信息的5g信号功率预测
通过一系列的地图信息，例如基站的信息，小区的信息，信号传播所
基于地图信息的5g信号功率预测
基于地图信息的5g信号功率预测
通过一系列的地图信息，例如基站的信息，小区的信息，信号传播所

芯片工业瑕疵分类深度学习项目

人工智能 · 其他 案例ID：128544
联系该工程师
微信扫码，建群沟通
作者： 巨头仙子 - 1年经验- Intel

案例介绍

 芯片工业瑕疵分类深度学习项目：基于Intel生产线6200+张芯片截图数据集，通过标记、图像预处理和数据增强、Tensorflow，简历CNN模型，model score 达到86%，accuracy提高在88%左右,并且与实际生产线ID关联，方便后续统计；该项目应用于英特尔成都DP Department的日常工作中；
 利用NodeJS 和MongoDB作为前后端支持建立实时在线问题收集留言板，将留言信息及时发到指定邮
 利用MySQL对团队日常数据库进行管理， 编写query抓取机器故障、芯元处理速度等的数据，进行简单的数据分析在Ops meeting上总结汇报

案例图片

芯片工业瑕疵分类深度学习项目

芯片工业瑕疵分类深度学习项目

查看该工程师的更多案例

相似案例推荐

发布任务

企业点击发布任务，工程师会在任务下报名，招聘专员也会在 1 小时内与您联系确认。
点击发布任务

1小时精推人才

需求方专属客服，免费梳理匹配

需求方客服微信二维码
扫码加微信 · 客服人工对接
更多案例
微信沟通 客服 看中这位工程师了？客服帮你 1 小时对接沟通 → ×