May, 2023

实时缺陷检测数据生成中 X 射线散射效应的量化研究

PDF
TL;DR通过对 X-ray 扫描中 X-ray 散射算法的定量评估，对比了在包含和不包含散射信号的情况下进行训练后，采用深度卷积神经网络（DCNN）进行 defect detection 的准确性。结果表明，不包含散射信号的训练数据对最小可检测缺陷的大小具有最大影响，更高质量的训练数据可以更好地处理高量散射图像的准确检测。
x-ray imagingdeep convolutional neural networksdefect detectionx-ray scatteringprobability of detection
发现论文，激发创造
  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    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

  • 激光超声可视化测试图像缺陷检测深层 CNN 结构研究

    本文提出了一种深度神经网络用于自动检测和定位 LUVT 图像中的缺陷。通过使用来自 SUS304 平板的真实数据进行数值实验，我们发现该方法在预测性能方面比一般对象检测模型更有效，并且所需的计算时间也比通用对象检测模型要快。

    May, 2023

  • 利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强，以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质

    使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

    Nov, 2023

  • 使用深度学习进行 X 射线图像中非法物品的视觉检查

    自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

    Oct, 2023

  • 混淆变量会降低放射学深度学习模型的泛化性能

    通过交叉校验三个不同医院的 158,323 幅胸部 X 光片，证明在不同医院系统中使用卷积神经网络进行肺炎筛查的性能较低，并且在实际临床应用中，基于模型训练的测试数据得出的性能估计可能高估了实际性能。

    Jul, 2018

  • 基于二维正弦图的计算机断层成像中的缺陷定位方法

    该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

    Jan, 2024

  • 深度散斑相关：通过散射介质的可扩展成像的深度学习方法

    本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法，通过散射介质中捕捉到的雹花强度模式，模型具有抗雹花去相关性的鲁棒性，并能够实现准确物体预测。

    Jun, 2018

  • 对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

    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

  • 基于 U-Net 架构的粉末 X 射线衍射图像分割

    通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

    Oct, 2023

  • 基于可解释的卷积神经网络的极少数据下 X 射线衍射光谱快速识别

    本文报道了一种使用卷积神经网络 (CNN) 对金属 - 有机框架 (MOFs) 实验 X-ray 衍射谱进行快速识别的方法，并使用数据增强技术对模型进行训练，进而实现其自主分析数据，打开了使用不同物料的 XRD 谱进行识别的众多潜在应用的可能，并为自主分析其他表征工具（如 FTIR，拉曼和 NMR）的数据铺平了道路。

    Dec, 2019