一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统

Nov, 2023

一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统

A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN

Rahatara Ferdousi, Fedwa Laamarti, Chunsheng Yang, Abdulmotaleb El Saddik

TL;DR准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题，我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提高了分类准确性，并在某一训练阶段实现了一致的性能。与其他最先进的方法相比，我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此，我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。

Abstract

Accurate defect detection is crucial for ensuring the trustworthiness of intelligent railway systems. Current approaches rely on single deep-learning models, like CNNs, which employ a large amount of data to capt

defect detection intelligent railway systems transfer learning ensemble learning ai-enabled solutions

发现论文，激发创造

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

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

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

利用迁移学习方法对 3D 打印圆柱体对象进行缺陷分析

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。

Oct, 2023

基于卷积组合的小样本缺陷检测技术

本文提出了一种使用多个预训练卷积模型作为骨干的 few-shot 分类新方法，使用新颖的集成技术提高了准确性，同时大大减少了总参数数量，实现了实时检测，通过强调超参数搜索，该模型在竞争标准中超越了现有的最先进方法，取得了 92.30％的 5-way 5-shot 任务准确率。

Aug, 2022

基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

Dec, 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

铁路轨道检测的深度多任务学习

本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

Sep, 2015

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