Sep, 2023

MFL 数据预处理与基于 CNN 的油管缺陷检测

PDF
TL;DR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。
computer visionanomaly detectionoil pipeline defect detectionmagnetic flux leakage dataconvolutional neural network structures
发现论文，激发创造
  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    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

  • 基于深度学习的物体检测技术应用于下水道网络自动缺陷检测

    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

  • 基于图像的缺陷检测的全卷积跨尺度流

    本研究提出了一种新的全卷积跨尺度归一化流模型（CS-Flow），该模型通过对不同尺度的多个特征图进行联合处理，能够对工业制造中的缺陷进行自动检测和定位，同时在基准数据集上取得了 100％的区分度（AUROC)。

    Oct, 2021

  • 基于 CNN 视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 基于卷积神经网络的无监督纺织品缺陷检测

    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

  • DeepInspect：面向制造业的 AI 驱动缺陷检测

    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

  • 深度学习在油田设备预测性维护中的应用

    本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了这些技术在油田临界设备的预测性维护中的潜在应用，以降低意外停机和维护成本。

    Jun, 2023

  • 基于深度学习的智能电网虚假数据注入攻击动态检测

    研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

    Aug, 2018

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    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

  • 利用多阶段深度学习技术进行海洋船舶表面缺陷检测和评估

    本研究提出了一种新的基于深度学习的图像处理系统， 可以自动识别不同类型的船面缺陷并测量其覆盖百分比，结果表明该系统可以客观地执行类似于合格检查员的评估。

    Mar, 2022