Sewer-ML:一个多标签下水道缺陷分类数据集和基准测试
本文介绍了一种新的污水管道缺陷分类方法,名为可靠多标签污水管道缺陷分类(TMSDC),该方法运用了具有不确定性的警告深度学习对对污水管道缺陷进行预测,并通过新的专家基础费率分配(EBRA)引入专家知识来描述实际情况下的可靠证据。测试结果表明,TMSDC 的有效性及不确定性估计能力是最新公开基准中最好的。
Oct, 2022
维护大城市的下水道系统十分重要,但也十分耗时耗力,因为目前的视觉检查都是手动完成的。为了减少手动工作量,应当自动定位和分类下水道管道中的缺陷。本研究通过大规模数据集的注释和深度学习的物体检测方法,解决了识别缺陷以及训练时的困难,最终依靠自动检测器能够在测试集中检测到 83% 的缺陷。这项工作将深度学习物体检测应用到重要但相对较为无声的工程领域,并给出了一些在注释特殊 “对象”(如缺陷)时的实用指导。
Apr, 2024
该研究提出了一种评估污水管道降解模型适用性的方法,并表明 Logistic Regression 作为一种较少准确但能够产生一致降解曲线和具有高可解释性的模型,在制定检查计划方面比集成模型更加高效。
Jul, 2023
近年来,质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而,开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺,阻碍了进展。本系统性综述涵盖 2015 年至 2023 年,鉴别 15 个公开可用的数据集并对其进行关键评估,以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况,如 NEU-CLS,NEU-DET,DAGM,KolektorSDD,PCB Defect Dataset 和空心圆柱缺陷检测数据集,每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方,为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 2024
本文提出了一种多阶段机器学习(ML)管道泄漏检测流程,该流程通过特征选择和提取基于时间的特征等多个步骤处理复杂嘈杂环境数据,将结果送入适用于数据量大幅降低和复杂度较低的支持向量机(SVM),在包含噪声和泄漏的数据集上取得了 99%的准确率和 0.93 和 0.9 的 F1-score。
May, 2022
该研究建立了一个名为 METER-ML 的多传感器数据集,包含标记 85,599 张图像的美国甲烷源设施,并实验了不同的模型,最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型,证明了大规模映射的潜力。
Jul, 2022
我们提出了一种双流多尺度视觉转换器 (DS-MSHViT) 架构,用于高效下水道缺陷分类,并联训练了一个 RGB 分支和一个运动分支的单一网络,通过自注意力正则化来利用 RGB 和运动流的互补优势,以增强 RGB 的关注地图从而集中于相关输入区域。
Nov, 2023
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
本文论述了弱监督学习技术在缺乏大量标注数据情况下替代传统有监督学习的可行性,并以缺陷检测任务为例,在图像数据集上对弱监督分类器和有监督分类器的准确性、精度和召回率进行对比实验,结果表明弱监督分类器相对于有监督分类器需要更少的标注数据,但其性能表现相当。
Mar, 2023
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。
Apr, 2019