通过引入 VISION 数据集,我们希望为实现基于视觉的工业检测的进一步提高带来新的挑战和方法。
Jun, 2023
近年来,质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而,开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺,阻碍了进展。本系统性综述涵盖 2015 年至 2023 年,鉴别 15 个公开可用的数据集并对其进行关键评估,以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况,如 NEU-CLS,NEU-DET,DAGM,KolektorSDD,PCB Defect Dataset 和空心圆柱缺陷检测数据集,每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方,为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 2024
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
本文回顾了基于少量标注数据的工业产品表面缺陷检测方法,包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法;基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。
Mar, 2022
本文介绍了一个可访问、策划和开发的公共基准资源,用于促进不同机器学习方法的优缺点的识别。我们比较了这一资源中当前一组基准数据集的元特征,以表征可用数据的多样性。最后,我们应用了一些已经建立的机器学习方法到整个基准套件,并分析数据集和算法在性能方面是如何聚类的。该工作是了解流行基准套件的限制并开发将现有的基准标准与未来更多样化和有效标准相连接的资源的重要第一步。
Mar, 2017
为了推动数据驱动的因果关系探测(CD),这项工作引入了两个新的连续制造过程的公共数据集,并提出了一种基于不同度量标准的基准测试程序,以评估广泛的 CD 算法,从而在现实条件下测试 CD 方法并选择适用于特定目标应用的最合适方法。
Aug, 2022
现代计算机视觉基础模型是在大量数据的基础上进行训练的,这带来了巨大的经济和环境成本。最近的研究表明,提高数据质量可以显著减少对数据数量的需求。但是,在计算机视觉中,什么构成数据质量?我们认为,给定数据集的质量可以分解为不同的样本级和数据集级成分,而前者比后者得到了更深入的研究。我们通过监控这些成分,利用我们提供的关键指标,研究人员和实践者可以更好地预测模型的性能,以其准确性和对分布变化的鲁棒性来衡量。
Nov, 2023
本文开展了针对视觉图像识别中数据集偏见问题的大规模分析,通过将 12 个已有数据库组织成一个语料库,提供了一个有用的特征储存库以供未来研究使用。
Feb, 2014
本文提出了一种基于参考点的检测方法和一种卷积神经网络对缺陷进行分类的方式,并公开了一个包含 6 种缺陷的综合 PCB 数据集,该方法在数据集上表现出强大的性能。
Jan, 2019
该论文提出了一个用于评估机器学习中标签错误的基准环境 AQuA,引入了标签错误检测模型的具体设计选择的设计空间,并希望借助该基准实现客观而严格的机器学习工具评估。