Jun, 2022

增强型成像：一种基于数据的飞行器空气数据传感器故障检测方法

PDF
TL;DR本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器（ADS）的故障检测（FD），并使用深度神经网络（DNN）开发了一种基于边缘设备的在线 FD 方案，采用航空惯性参考单位测量作为等效输入，并提供了不同飞机 / 飞行条件下的数据进行多样性（可伸缩性）的训练 / 测试数据库。
发现论文，激发创造
  • 一个掩码模型解决传感器故障检测、隔离和适应问题

    使用遮蔽模型和自监督学习提出了一种用于传感器故障检测、隔离和修复的新框架，该方法通过捕捉不同传感器之间的复杂时空关系提高了传感器测量的准确性和可靠性。

    Mar, 2024

  • 基于张量 T - 积算子的图像分类网络自适应数据增强框架

    本文提出了一种自适应数据增强框架，基于张量 T - 积算子三倍图像数据进行训练并获得结果，可以同时实现列图像嵌入和全局特征交集，模型在空间和频率领域中获取信息，提高了模型的预测精度，通过数值实验，证明了该自适应框架的有效性，完整神经网络模型性能提高了 2％。

    Jun, 2023

  • 智能制造的特征异常检测系统 (FADS)

    本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

    Apr, 2022

  • 在线自适应异常检测用于飞机装配中的缺陷识别

    在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

    Jun, 2024

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023

  • 少样本在线异常检测和分割

    该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

    Mar, 2024

  • 基于深度学习的智能电网虚假数据注入攻击动态检测

    研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

    Aug, 2018

  • 深度学习在无人机故障诊断中的仿真到实际转换应用

    本研究提出了一种深度学习模型，利用新识别的特征（NIF）作为输入和利用域自适应技术来减少仿真到现实的差距，进而实现了四旋翼螺旋桨故障检测方面的模拟与现实诊断手段之间转换的目的。实验结果表明，提出的方法在检测螺旋桨故障方面具有高达 96% 的准确率，目前是一种可靠且高效的方法。

    Feb, 2023

  • 自动驾驶系统中基于原始激活模式和空间过滤的 3D 目标检测完整性监控

    这篇论文介绍了一种新颖的方法，通过集成底层深度神经网络的原始激活模式与空间滤波技术，以增强基于 DNN 的 3D 物体检测的运行时自省能力，从而在自主驾驶系统中提高感知自省的安全性和效果。

    May, 2024

  • 无人机抓取中低功率设备的高速探测器

    自主空中收获是一个高度复杂的问题，因为它需要在小型低功耗计算设备上执行许多交叉学科算法。本文提出了一种基于新型潜在对象表示 (LOR) 模块、查询分配和预测策略的资源高效、单阶段且无后处理的快速水果检测器 (FFD)，实现了与控制、抓取、SLAM 等时间关键子系统同时存在的 10W 技嘉 Jetson-NX 嵌入式设备上的 100FPS@FP32 精度，是本工作的一个重大成就。此外，本文还提出了一种在无需详尽手动标记水果图像的情况下生成大量训练数据的方法，因为这些图像包含大量的实例，从而增加了标记成本和时间；同时还创建了开源水果检测数据集，其中有许多很难检测到的非常小的实例。对我们的数据集和 MinneApple 数据集进行的详尽评估表明，FFD 作为一个单尺度检测器比许多代表性检测器更准确，例如，与单尺度 Faster-RCNN 相比，FFD 的 AP 提高了 10.7，与多尺度 Faster-RCNN 相比提高了 2.3，与最新的单尺度 YOLO-v8 相比提高了 8，与多尺度 YOLO-v8 相比提高了 0.3，同时运行速度显著更快。

    Feb, 2024