ICLRMay, 2023

基于图神经网络的增材制造现场异常检测

PDF
TL;DR本研究使用激光输入信息训练模型，预测名义激光熔化条件并计算异常得分以检测制造缺陷，显示异常检测方法是开发可靠的缺陷检测方法的重要工具。
metal additive manufacturingdefect detectionanomaly detectionlaser melting conditionsnominal laser input
发现论文，激发创造
  • 基于 CNN 视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 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

  • 智能制造数据集上的异常检测和传感器间迁移学习

    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

  • 基于 GAN 的元学习应用于异常检测，在高速铁路检测系统中的部署

    这篇论文提出了一个基于元学习的异常检测框架，它集成了生成对抗网络 (GANs) 的思想，并利用适当的损失函数，包括结构相似度指数 (SSIM)，解决了 AI 时代中针对大数据异常检测的挑战，试验表明该框架在高速铁路检测方面表现尖锐和强健，已在中国五个高速铁路上使用，使工作量减少了 99.7%，检查时间节省了 96.7%。

    Feb, 2022

  • 一种自适应的人在环节下的增材制造过程排放检测方法和计算机视觉主动学习

    该论文提出了一种自适应人机交互方法，利用机器学习技术自动检测和注释增材制造过程中生成的排放数据，具体来说，论文探讨了使用卷积神经网络（CNNs）自动检查和分类原位监测收集的排放数据，以及应用主动学习技术构建人机交互机制来加速排放数据的标注过程。

    Dec, 2022

  • 利用迁移学习方法对 3D 打印圆柱体对象进行缺陷分析

    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

  • 可加工制造领域可用数据集的系统综述

    使用机器学习的视觉和其他传感器技术在增材制造过程中进行现场监测，收集大量数据集，用于确定制造输出的质量和检测缺陷。通过系统回顾，发现在增材制造领域存在影响质量评估和缺陷检测的开放图像数据集的可用性问题。

    Jan, 2024

  • 金属增材制造缺陷检测本体

    本文介绍了如何将本体论应用于高级制造服务中，以解决数据集成、语义互操作性问题以及监控和决策任务，并提供了一个针对金属添加制造文献中已知的过程性缺陷的本体，并与现有的本体进行整合，从而扩展了本体在增材制造领域的建模能力。

    Sep, 2022

  • 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

  • 3D 打印时间序列数据分类方法评估

    本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

    Oct, 2020