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
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
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
本文基于医学成像领域的技术,提出使用 3D U-Net 模型自动分割 AM 样本的 XCT 图像中的缺陷,该方法最终在 AM 数据集上取得了 88.4% 的均交并比(IOU)结果,为 AM 缺陷检测和 3D 体积分割提供了新思路。
Jan, 2021
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。
May, 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。
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
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
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