合成纤维绳索的条件监测图像数据集
利用 Detectron2 库中的 Mask R-CNN 架构,在合成纤维绳索中实现缺陷的自动检测,以提高检查过程并确保绳索的安全。
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
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
通过使用两步深度学习方法,本文试验缺陷检测准确性,在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷,为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。
Dec, 2023
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
介绍一种称为 “Defect Spectrum” 的全面基准数据库,提供用于工业缺陷的精确、语义丰富和大规模的注释;同时引入名为 “Defect-Gen” 的两阶段扩散型生成器,可生成高质量和多样化的缺陷图像,显著提高缺陷检测模型的效果;该数据库在缺陷检测研究中具有巨大潜力,为测试和改进先进模型提供坚实的平台。
Oct, 2023
本文提出了一种新的无监督特征记忆重组网络(FMR-Net)来准确检测各种纹理缺陷,通过提取多尺度特征、对比学习模块(CMFM)、全局特征重排模块(GFRM)来构建正常特征记忆库,采用两阶段的训练策略,使用多模式检测方法来实现缺陷定位,实验证明该方法具有较高的检测精度,适用于边缘计算的智能制造场景。
Jun, 2022
最近,计算机视觉在异常检测方面的应用引起了多个工业领域的关注。一个重要的例子是油管缺陷检测。油管的故障可能会中断整个运输系统的运行或引起远程故障。自动化缺陷检测可以显著减少检查时间和相关成本。然而,现有的研究在处理这一任务时存在一定差距。现有研究未能充分涵盖有关磁通漏磁数据和预处理技术的研究,这些技术可以克服现有数据所设定的限制。本文旨在缓解这些问题。此外,在这样做的过程中,我们利用了最近的卷积神经网络结构并提出了健壮的方法,旨在获得与相关指标相符的高性能。所提出的方法及其适用性已使用实际数据进行验证。
Sep, 2023
该研究提出了一种基于自编码器的方法来检测自动化纤维铺放中的制造缺陷,并通过对深度图的处理能够确定缺陷位置并达到足够的二元分类准确性,克服了数据匮乏问题。
Jul, 2023
我们提出了一个标准化的基准训练数据集,用于图像拼接、复制移动伪造、去除伪造和图像增强伪造的 IMDL 任务,并对现有 IMDL 数据集的问题进行了修改。我们还在我们提出的 TrainFors1 数据集上对最先进的 IMDL 方法进行了训练,以公平评估并报告了这些方法在类似条件下的实际性能。
Aug, 2023