NPU-BOLT:自然场景中螺栓目标检测数据集
研究中使用基于深度学习和CNN技术的缺陷检测方法,同时设计参数和Taguchi实验以建立自动化检测系统来提高紧固件标准化质量控制。
Jul, 2022
利用传统计算机视觉与深度学习技术的新方法,提出了一种实时自动轮缘检测、分类和检验的方法,同时提供三个免费使用的数据库,为车轮、轮缘和螺栓检测以及轮缘分类等科学研究提供便利。
Apr, 2023
本文提出了一种名为逻辑卷积神经回归器的神经符号模型,通过将卷积神经网络的处理能力与直接将真实逻辑引入模型的互动控制相结合来检测悬臂梁中的损伤,并在实验中证明了该混合方法的优越性。
May, 2023
本文提出一个高效的数据标注流程用于构建基于深度学习的骨骼结构分析数据集,通过对300多个临床和不同CT扫描的数据进行密集手动标注,使用所构建的数据集进行了多个最先进的基于深度学习的方法的比较和验证。
Jun, 2023
通过引入YOLOv8目标检测模型的高级版本,结合卷积块注意力模块(CBAM)来改善特征识别,进一步优化损失函数,本研究在Saemangeum海上风力发电场和公开可用的数据集上进行了严格测试,结果显示缺陷检测稳定性显著提高,对于高效的涡轮维护迈出了重要一步,为未来的研究提供了启示,有可能革新可持续能源实践。
Jul, 2023
本文描述了一种高度可定制且可扩展的基于视觉的机械装配线自动化系统,该系统能够计算用于分类和识别装配线中使用的不同种类的螺栓所需的特征,包括螺栓的螺距计算、螺栓的标识和尺寸计算。该系统非常轻量化,并且可以在最低硬件配置上运行,其处理速度非常快,可在毫秒级别内完成,因此即使组件在传送带上稳定移动,该系统仍可成功使用。实验结果表明,我们的系统能够以98%的准确率正确识别我们数据集中的零部件。
Oct, 2023
在制造环境中,高效准确地检测小型物体,如缺陷和裂纹,对于确保产品质量和安全至关重要。我们提出了一种综合策略,通过将Faster R-CNN与先进的方法结合起来,有效解决了这个问题。我们的模型在NEU-DET和Pascal VOC数据集上进行了严格评估,验证了其鲁棒的性能和通用性。在NEU-DET数据集上,我们的模型表现出对钢铁缺陷的深入理解,在识别各种缺陷方面实现了最先进的准确性。同时,在Pascal VOC数据集上评估时,我们的模型展示了在复杂且小型场景中检测各类对象的能力。
Oct, 2023
尝试使用卷积神经网络实现平面杆结构的运动学分析。通过3dsMax动画软件和OpenCV模块,构建了几何稳定系统和几何不稳定系统的图像数据集。基于TensorFlow和Keras深度学习平台框架,构建和训练了卷积神经网络模型。模型在训练集、验证集和测试集上均达到了100%的准确率。附加测试集上的准确率为93.7%,显示出卷积神经网络能够学习和掌握结构力学运动学分析相关知识。通过多样化数据集,未来可以提高模型的泛化能力,有潜力在复杂结构领域超越人类专家。卷积神经网络在结构力学运动学分析领域具有一定的实际价值。利用可视化技术,揭示了卷积神经网络学习和识别结构特征的过程。使用预训练的VGG16模型进行特征提取和微调后,发现其泛化能力不如自建模型。
May, 2024