Nov, 2023

基于无监督语义分割的架空线缺陷识别

PDF
TL;DR该研究提出了一种基于 Faster RCNN 网络和无监督语义分割的新型缺陷识别框架，通过识别目标设备的类型和位置、利用语义分割区分设备和背景，并运用相似度度量和逻辑规则对缺陷进行分类，从而提高了空中线路中设备问题的准确性和适应性，为配电网络设备检测的自动化提供了新的视角。
overhead line inspectiondefect recognitionvisible light imageryfeature extraction techniquesfaster rcnn network
发现论文，激发创造
  • 弱监督下变电站设备故障的红外图像识别方法

    该研究提出了一种弱监督方法，用于识别变电站设备的红外图像中的故障。通过修改模型的网络结构和参数，利用更快的 RCNN 模型进行设备识别，提高了检测准确性。通过分析检查机器人在变电站捕获的红外图像来演示该方法。通过与手工标记结果验证性能，证明了所提算法能够显著提高对各种设备类型的故障识别精度。

    Nov, 2023

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    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

  • 基于无监督深层 FCDD 的乡村铁路枕木腐朽检测

    本文提出了一种基于卷积神经网络（CNNs）的预测鉴别器流水线来自动分类损坏的铁路组件，使用一类分类方法，结合基于可视化的热图来判定铁路组件的损坏情况，并在预测性维护中提出了未来工作。

    May, 2023

  • PV-S3：利用半监督语义分割技术提升光致发光图像自动光伏缺陷检测

    提出了一种用于光致发光图像的缺陷语义分割的 PV-S3（光伏半监督分割）半监督学习方法，通过使用少量标记图像和大量未标记图像训练深度学习模型 PV-S3，并引入一种新的半交叉熵损失函数，实现了在降低注释成本的同时提高了性能。

    Apr, 2024

  • SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

    本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

    Aug, 2023

  • 表面缺陷检测的混合监督：从弱监督到全监督学习

    本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

    Apr, 2021

  • 面向基于 SEMI-SuperYOLO-NAS 的高数值孔径 EUVL 的半导体缺陷检测的改进

    该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

    Apr, 2024

  • 变电站目标检测算法

    检测高压电力设备是确保电力供应可靠的有效方法，该论文提出了一种结合物体关系建模和 Transformer 模型的关系 Transformer 模型，通过在变电站的物体识别中展现出更好的性能，显著促进了自动化电力设备检测的发展。

    Sep, 2023

  • 基于改进的自注意力机制的高分辨率电力设备识别

    通过基于深度自注意力网络的创新方法，在自动化电气设备巡检方面提供了突破性的新视角，通过使用高分辨率图像提高了识别精度，并通过引入图像的语义内容来进一步改善了预测效果。

    Nov, 2023

  • 一种光学钢绳无损损伤检测的新方法

    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