Feb, 2022

使用 Detectron2 框架在镁合金铸件 X 光图像中进行缺陷检测和分割

PDF
TL;DR本文使用基于 Detectron2 的深度学习系统来对汽车零部件的 X 射线图像进行缺陷检测和分割，以帮助解决金属部件生产中的质量控制问题。
x-ray imagingmetal productiondefect detectiondeep learningautomotive parts
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

  • 利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强，以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质

    使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

    Nov, 2023

  • 基于二维正弦图的计算机断层成像中的缺陷定位方法

    该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

    Jan, 2024

  • 带有 3D U-Net 的自动增材制造缺陷容积分割

    本文基于医学成像领域的技术，提出使用 3D U-Net 模型自动分割 AM 样本的 XCT 图像中的缺陷，该方法最终在 AM 数据集上取得了 88.4% 的均交并比（IOU）结果，为 AM 缺陷检测和 3D 体积分割提供了新思路。

    Jan, 2021

  • 使用迁移学习技术的智能制造自动化缺陷检测方法 TransferD2

    我们提出了一种基于 Transfer 学习的方法 TransferD2，该方法可以结合 Xception、ResNet101V2 和 InceptionResNetV2 三个不同的预训练模型来进行分类器网络构建。我们使用伪边界框在未见过的目标数据上检测缺陷，并发现在源数据上，ResNet101V2 的表现要优于其他模型，而在目标数据上，Xception 则表现最佳。我们的方法可以用于缺少足够训练数据的瑕疵检测应用，并可以扩展到新的未见过的数据识别。

    Feb, 2023

  • 使用 Detectron2 框架进行合成纤维绳缺陷检测

    利用 Detectron2 库中的 Mask R-CNN 架构，在合成纤维绳索中实现缺陷的自动检测，以提高检查过程并确保绳索的安全。

    Sep, 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

  • 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

  • 使用深度学习进行 X 射线图像中非法物品的视觉检查

    自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

    Oct, 2023

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

    Nov, 2022