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

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

准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题，我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提高了分类准确性，并在某一训练阶段实现了一致的性能。与其他最先进的方法相比，我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此，我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。

Nov, 2023

本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 2023

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

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

研究探讨了如何利用预训练的深度卷积神经网络 (Inception-V3) 中的 Inception 模块进行糖尿病视网膜病变检测，以解决深度学习在医学数据分类问题中的标记数据不足的挑战。通过利用 Kaggle 糖尿病视网膜病变分类挑战数据集的子集，作者训练了预训练 Inception-V3 模型，取得了不错的结果。该研究展示了在标记数据不足的情况下如何利用迁移学习来进行医学图像分类中的大规模筛选和准确性问题。

May, 2019

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

May, 2023

我们的论文利用卷积神经网络（CNNs）、递归神经网络（RNNs）和生成对抗网络（GANs）为制造业引入一种创新的缺陷检测方法。通过从产品照片中提取精细的细节，并利用 RNNs 检测不断演变的错误，并生成合成缺陷数据来增强模型的鲁棒性和适应性以应对各种缺陷情况。该项目利用深度学习框架在制造过程中实现实时缺陷检测。它利用大量带有注释的图像数据集来识别复杂的缺陷模式。该综合系统无缝地融入生产工作流程，提高效率并提升产品质量。因此，它降低了浪费和运营成本，最终提升了市场竞争力。

Nov, 2023