使用元学习卷积神经网络架构对混凝土缺陷进行多目标分类，使用混凝土缺陷桥梁图像数据集

CVPRApr, 2019

使用元学习卷积神经网络架构对混凝土缺陷进行多目标分类，使用混凝土缺陷桥梁图像数据集

Meta-learning Convolutional Neural Architectures for Multi-target Concrete Defect Classification with the COncrete DEfect BRidge IMage Dataset

PDF

Martin Mundt, Sagnik Majumder, Sreenivas Murali, Panagiotis Panetsos, Visvanathan Ramesh

TL;DR本文介绍了新型 COncrete DEfect BRidge IMage 数据集 (CODEBRIM)，用于对五种常见混凝土缺陷进行多目标分类，研究和比较了两种基于强化学习的元学习方法（MetaQNN 和高效神经架构搜索），以寻找适合这个具有挑战性的多类别多目标任务的卷积神经网络结构。结果显示，所学习的架构在我们的应用上比文献中普遍采用的神经网络架构具有更少的参数，并产生更好的多目标准确性。

Abstract

Recognition of defects in concrete infrastructure, especially in bridges, is a costly and time consuming crucial first step in the assessment of the structural integrity. Large variation in appearance of the conc

defect recognition concrete infrastructure bridges convolutional neural networks multi-target classification

发现论文，激发创造

利用卷积神经网络和迁移学习进行制造缺陷检测和分割

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018

使用强化学习设计神经网络结构

使用元建模算法 MetaQNN 根据强化学习自动生成高性能卷积神经网络 (CNN) 结构，可以在图像分类基准测试中击败同层级别的现有网络，并且相比其他网络设计元建模方法具有更好的效果.

Nov, 2016

针对钢桥高分辨率图像中裂缝的深度学习分割

利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法，用于检测高分辨率钢桥图像中的疲劳裂纹，首先，我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次，我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成，进行裂纹分割研究和报告，并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后，我们引入了一种损失函数，允许在训练过程中使用更多的背景补丁，从而显著降低了误报率。

Mar, 2024

金属铸造缺陷检测的高效神经网络方法

提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

Aug, 2022

使用强化学习的神经架构搜索: DQNAS

该论文介绍了使用强化学习和一次性训练为指导原则的自动神经架构搜索框架 DQNAS，用于生成具有优越性能且具有最小可扩展性问题的神经网络架构。该框架可以减少设计卷积神经网络的时间和测试成本。

Jan, 2023

对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明，DenseNet201 在 NEU 数据集上的检测率最高，达到 98.37%。

Jun, 2024

一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统

准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题，我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提高了分类准确性，并在某一训练阶段实现了一致的性能。与其他最先进的方法相比，我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此，我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。

Nov, 2023

用于柔性路面裂缝检测的卷积神经网络

该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。

Apr, 2023

表面缺陷检测的混合监督：从弱监督到全监督学习

本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

Apr, 2021

基于元知识协嵌入的图像质量感知诊断

本文提出了一种基于 meta-knowledge co-embedding network 的方法，利用深度学习技术，结合图像质量标签实现精准、稳健的医学图像诊断。该方法在多个医学成像模式上表现出卓越的性能和普适性。

Mar, 2023