激光超声可视化测试图像缺陷检测深层 CNN 结构研究
近年来,人造材料在结构中的劣化问题已成为严重的社会问题,加强了检测的重要性。无损检测由于其检测结构中的缺陷和劣化的能力而受到增加的需求。其中,激光超声可视化测试(LUVT)由于其能够可视化超声传播而脱颖而出。这使得检测缺陷在视觉上变得直观,从而提高了检测效率。随着劣化结构数量的增加,检测工作面临检验人员短缺和工作量增加等挑战。解决这些挑战的努力包括探索使用机器学习进行自动化检测。然而,由于缺乏带有缺陷的异常数据,机器学习在改善自动化检测的准确性方面存在障碍。因此,在本研究中,我们提出了一种使用扩散模型的异常检测方法来进行自动化 LUVT 检测的方法,该方法仅需在负样本(无缺陷数据)上进行训练。通过实验证实,我们提出的方法相比先前使用的一般物体检测算法,可以提高缺陷检测和定位的效果。
May, 2024
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
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
在制造业质量控制阶段,缺陷检测是最重要且具有挑战性的任务之一。本文引入了一种张量卷积神经网络(T-CNN),并在罗伯特・博世公司生产的超声波传感器组件的实际缺陷检测应用中对其性能进行了研究。我们的量子启发式 T-CNN 在减少模型参数空间的基础上操作,从而大幅提高了相当于 CNN 模型的训练速度和性能,同时又不损失准确性。具体而言,我们展示了 T-CNN 如何以质量评价指标衡量的同等性能,在参数数量减少了 15 倍的情况下,训练时间加快了 4% 至 19%。我们的结果表明,T-CNN 大大优于传统人工视觉检测的结果,在制造业的实际应用中具有重要价值。
Dec, 2023
本研究提出了一种基于分割的深度学习架构,用于表面异常检测和分割,在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能,可以使用少量的样本进行训练,因此可以实际应用于工业领域。
Mar, 2019
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
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。
May, 2023
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
维护大城市的下水道系统十分重要,但也十分耗时耗力,因为目前的视觉检查都是手动完成的。为了减少手动工作量,应当自动定位和分类下水道管道中的缺陷。本研究通过大规模数据集的注释和深度学习的物体检测方法,解决了识别缺陷以及训练时的困难,最终依靠自动检测器能够在测试集中检测到 83% 的缺陷。这项工作将深度学习物体检测应用到重要但相对较为无声的工程领域,并给出了一些在注释特殊 “对象”(如缺陷)时的实用指导。
Apr, 2024