自动纤维放置中的异常检测:数据限制下的学习
本文介绍了一种使用光学相干断层扫描和计算机视觉技术来检测和定位复合材料零件中的缝隙和重叠的新方法,通过检测每个制带的边界,我们的算法可以比较相邻制带并识别可能存在的缝隙或重叠,在预定的容差阈值以上的缝隙或重叠被认为是制造缺陷。通过将检测到的缺陷与专家标注的真实数据进行比较评估,结果显示在缝隙和重叠分割方面具有高精度和高效率。
Sep, 2023
提出了基于数据驱动的方法,包括自编码器的异常检测和注意力机制的双向门控循环单元算法,以诊断物理攻击如光纤断裂和光学窃听对光网络的影响,并在各种攻击方案下使用实际运行数据验证了该方法的有效性。
Feb, 2022
本文提出了基于自编码器的深度学习方法,用于识别和定位被动光网络中的光纤故障,并通过实验结果展示该方法可在 97% 的准确率下定位故障,平均绝对误差为 0.18 米,表现优于传统技术。
Mar, 2022
本研究提出使用吸收材料记录辐射电磁场并通过条件编码器 - 解码器 AI 评估生成热图像序列的新方法,进行天线阵列的故障检测。研究表明,在低级图案下,基于轮廓的异常检测可以将重构误差矩阵映射到异常评分,以提高分类 F-M 度量达 46%。
Nov, 2021
本文研究工业视觉中基于自编码器网络的异常检测问题,通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型,使网络能从有缺陷的图像中重建出干净图像,实现像素级或者图像级的异常检测。
Aug, 2020
本文提出了一种用于检测工业纺织品织物结构中瑕疵的自动化处理过程,通过领域泛化异常检测中的特异性学习过程,结合泛化和学习过程的能力,提供了快速而精确的异常检测和分割,实现了领域通用纹理异常检测方法最先进的性能。
Jun, 2023
探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外,并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。
May, 2023
这篇文章提出了一种基于深度学习技术的自编码器,通过学习超级计算机节点的正常行为来检测异常条件,测试结果表明该方法能够在正常系统行为学习阶段后,以非常好的准确率(在 88%至 96%之间)检测出之前未曾见过的异常条件,因此具有广阔的应用前景。
Nov, 2018
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019