Oct, 2023

利用迁移学习方法对 3D 打印圆柱体对象进行缺陷分析

PDF
TL;DR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。
additive manufacturingdefect detectionmachine learningtransfer learning3d printing
发现论文，激发创造
  • 使用迁移学习技术的智能制造自动化缺陷检测方法 TransferD2

    我们提出了一种基于 Transfer 学习的方法 TransferD2，该方法可以结合 Xception、ResNet101V2 和 InceptionResNetV2 三个不同的预训练模型来进行分类器网络构建。我们使用伪边界框在未见过的目标数据上检测缺陷，并发现在源数据上，ResNet101V2 的表现要优于其他模型，而在目标数据上，Xception 则表现最佳。我们的方法可以用于缺少足够训练数据的瑕疵检测应用，并可以扩展到新的未见过的数据识别。

    Feb, 2023

  • 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

  • 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

  • 基于迁移学习的增材制造模型比较：以一个案例为例

    本研究采用开源数据集，结合五种迁移学习方法、决策树回归和人工神经网络构建出六个基于迁移学习的模型，并将其与基线模型进行比较；结果表明，在具有一定相关性的源 CNC 加工数据域中，适当的目标 - 源训练数据大小比例和数据预处理能够提高建模性能。

    May, 2023

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 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

  • 对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

    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

  • 基于图神经网络的增材制造现场异常检测

    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

  • 高效的深度学习方法用于缺陷铸件产品的识别

    本文研究了使用自定义架构和预训练模型来检测有缺陷铸造产品的性能和 CPU 延迟。实验结果表明自定义架构在性能上更高效，训练参数和模型大小也更小。同时，本研究证明针对数据集和分类问题专门设计的自定义模型才是部署在边缘和物联网设备上的理想选择。

    May, 2022

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023