使用 Detectron2 框架进行合成纤维绳缺陷检测
通过生成一个包含正常和有缺陷的合成纤维绳的综合数据集,本研究旨在支持自动化缺陷检测系统的开发,以优于传统的视觉检验方法,并在广泛应用中实现合成纤维绳的更安全、更高效的利用。
Sep, 2023
本文提出了一种新颖的算法用于高海拔环境(空中缆车)中钢丝绳的无损损伤检测,该算法包括两个主要组成部分:首先,设计了一个名为 RGBD-UNet 的分割模型,能够准确地从复杂背景中提取钢丝绳。该模型通过提出的 CMA 模块能够处理和组合颜色和深度信息。其次,开发了一个名为 VovNetV3.5 的检测模型,用于区分正常和异常的钢丝绳。它将 VovNet 架构与 DBB 模块集成以提高性能。此外,提出了一种新颖的背景增强方法以增强分割模型的泛化能力。已创建包含不同场景下钢丝绳图像的数据集,用于训练和测试分割和检测模型。实验证明与基准模型相比有显著改进。在提出的数据集上,检测模型达到了最高 0.975 的准确率,分割模型达到了最高 0.948 的 F-measure 值。
Feb, 2024
本文使用基于 Detectron2 的深度学习系统来对汽车零部件的 X 射线图像进行缺陷检测和分割,以帮助解决金属部件生产中的质量控制问题。
Feb, 2022
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
本研究提出了一种基于模式的无监督纺织品异常检测方法,结合了传统卷积神经网络和无监督学习范式的优点。该方法包括预处理、自动模式周期提取、补丁提取、特征选择和异常检测等五个主要步骤。与现有方法相比,我们的方法使用了一种新的动态和启发式的特征选择方法,避免了常用方法中初始化滤波器(神经元)数量和权重以及反向传播机制的缺点。我们的算法在 Patterned Fabrics 基准数据集上展示了可靠和有竞争力的结果,并且具有较低的计算成本和高效的训练时间。
Nov, 2023
本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域,通过改进缺陷实例分割技术,成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案,并且可以精确计算缺陷表面积和数量。
Nov, 2022
本研究基于光时域反射原理,利用遥测数据,提出了一种基于长短时记忆模型的多任务学习方法,能准确快速地检测、定位和估算光学网络中的故障反射(事件),并且相比传统方法表现更好。
Mar, 2022
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
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
介绍了一种新的自然图像中文本检测方法,它包括使用合成图像训练 Fully-Convolutional Regression Network (FCRN) 以高效执行所有位置和多个尺度的文本检测和边框回归,并且可以在 GPU 上处理 15 张图像 / 秒。
Apr, 2016