Feb, 2023

钻孔刀具磨损检测中基于语义图像分割的数据增强和损失函数评估

PDF
TL;DR本文介绍了一种基于 U-Net 的语义图像分割管道，用于监测切削刀具在钻孔应用中的磨损情况，并将问题以二进制分类任务的形式加以解决。研究还考察了不同的损失函数，以及使用不同强度的图像增强技术训练图像。我们发现，最好的表现模型是使用 IoU 损失函数，在中度增强数据上训练的二进制模型。
发现论文，激发创造
  • 基于 Segment Anything 模型的高效切削工具磨损分割

    基于 Segment Anything Model，我们提出了一种高效的基于 U-Net 的刀具磨损分割方法，该方法用作自动化提示生成器以简化刀具磨损检测过程。我们的评估涵盖了三种感兴趣点生成方法，并进一步研究了训练数据集规模和 U-Net 训练强度变化对结果的影响。结果一致强调了我们方法相对于 U-Net 的优势，在数据集有限的情况下实现准确的磨损分割。这一特点突出了该方法在数据集有限的工业场景中的潜在适用性。

    Jul, 2024

  • 基于全卷积网络的数字图像处理下的模具磨损分割在冲裁过程中的应用

    工具磨损、磨损监测系统、冲压工艺、时间序列、深度学习算法

    Oct, 2023

  • 基于深度学习的刀具磨损估计在考虑切削条件的情况下

    通过在卷积神经网络中引入切削条件作为额外的模型输入，本研究提出了一种基于深度学习的方法，旨在提高刀具磨损估计的准确性，并满足工业对零射击传递能力的需求，通过一系列铣削实验评估模型的性能，结果一致强调我们方法的优势，无论磨损发展的稳定性还是训练数据集的限制如何，其性能都优于省略切削条件的传统模型，这一发现凸显了其在工业场景中的潜在应用性。

    Jul, 2024

  • 医学图像分割的边界差异联合损失

    医学图像分割关键在于边界区域的准确性，本文提出了一种简单有效的损失函数用于边界区域分割，并通过实验验证了其有效性。

    Aug, 2023

  • 语义分割时代的损失函数：调查与展望

    本综述系统地评估了用于图像分割的 25 种损失函数，并提出了分类法和评估方法，以帮助研究人员找到适用于其应用的最佳损失函数。对医疗和自然图像数据集进行了中立评估，并指出了当前挑战和未来研究机会。

    Dec, 2023

  • 增强工具磨损估计中的迁移学习能力的深度学习方法

    通过深度学习方法估计刀具磨损，在考虑切削参数的情况下，通过铣削实验评估模型的准确性和传递性，结果表明该方法在传递性和快速学习能力方面优于传统方法。

    Jul, 2024

  • 基于局部纹理的在线、自动和低成本的刀具磨损监测系统

    通过利用计算机视觉和机器学习，基于切削刀具的磨损程度，我们提出了一种在线、低成本、快速的方法来确定边缘轮廓铣削过程中使用的切削工具是否可用或可丢弃。

    Feb, 2024

  • 用于工业工具磨损分析的基于不确定性的人机交互系统

    本文研究在人机交互系统中，通过基于蒙特卡罗 dropout 的不确定性测量来提高透明度和性能，以解决卷积神经网络在图像分割任务中存在的置信度不足和监管政策不一致性的问题，通过多元线性回归来解释预测质量。

    Jul, 2020

  • 用于改进对语义分割的对抗攻击的不确定性加权损失函数

    本文介绍了一种基于不确定性加权方案的损失函数，用于对抗攻击，通过将更容易受到干扰的像素分类放大并清零已经被错误分类的像素的损失，以提高扰动性能。在多个数据集和模型的实证分析中，我们证明了这些加权方案能够显著改善扰动性能。

    Oct, 2023

  • 一种新的以焦点 Tversky 目标函数为基础的改进型 Attention U-Net 用于病灶分割

    提出了一种基于 Tversky 指数的广义 focal loss 函数来解决医学图像分割中数据不平衡的问题。在小的结构如病变方面，相较于常用的 Dice loss，我们的损失函数在精确率和召回率之间取得了更好的平衡。通过在图像金字塔中加入上下文特征，改进了 Attention U-Net 模型的性能，针对 BUS 2017 数据集和 ISIC 2018 数据集进行的实验结果显示，在占图像面积的 4.84% 和 21.4% 的情况下，与标准 U-Net 相比，分割精度分别提高了 25.7% 和 3.6%。

    Oct, 2018