金属铸造缺陷检测的高效神经网络方法
本文研究了使用自定义架构和预训练模型来检测有缺陷铸造产品的性能和 CPU 延迟。实验结果表明自定义架构在性能上更高效,训练参数和模型大小也更小。同时,本研究证明针对数据集和分类问题专门设计的自定义模型才是部署在边缘和物联网设备上的理想选择。
May, 2022
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
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
在制造业质量控制阶段,缺陷检测是最重要且具有挑战性的任务之一。本文引入了一种张量卷积神经网络(T-CNN),并在罗伯特・博世公司生产的超声波传感器组件的实际缺陷检测应用中对其性能进行了研究。我们的量子启发式 T-CNN 在减少模型参数空间的基础上操作,从而大幅提高了相当于 CNN 模型的训练速度和性能,同时又不损失准确性。具体而言,我们展示了 T-CNN 如何以质量评价指标衡量的同等性能,在参数数量减少了 15 倍的情况下,训练时间加快了 4% 至 19%。我们的结果表明,T-CNN 大大优于传统人工视觉检测的结果,在制造业的实际应用中具有重要价值。
Dec, 2023
本研究旨在回顾各种最先进技术,探讨如何通过序列减少训练参数和使用像全局均值池化、深度卷积和挤压、模糊化池等技术进行分阶段训练来构建高效的深度卷积网络,并成功实现了在 MNIST 数据集上仅使用 1500 个参数达到 99.2% 的高准确度,并在 CIFAR-10 数据集上仅使用超过 140K 个参数达到了 86.01% 的高准确度。
May, 2022
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
通过使用迁移学习模型,本研究探索了机器学习方法在 3D 打印圆柱体缺陷检测方面的有效性,发现特定的迁移学习模型(如 MobileNetV2)可以高准确度地分类 AM 缺陷,同时结果揭示了算法性能的差异,为 3D 打印可靠自动化缺陷分析提供模型优化和集成需求的见解。
Oct, 2023
本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法,使卷积神经网络计算效率最大化,并以 ILSVRC2012 分类挑战作为基准,报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络,评估单帧评估的 top-1 误差 21.2%和 top-5 误差 5.6%的显著成果。
Dec, 2015
本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构,提出了利用全局超参数在时延和准确性之间平衡的方法,并在图像分类等多个领域进行了广泛实验。
Apr, 2017