May, 2024

MINet：面向带钢表面缺陷实时显著性目标检测的多尺度交互网络

PDF
TL;DR该研究提出了一种轻量级多尺度交互网络（MINet），利用多尺度交互模块采用深度卷积（DWConv）和逐点卷积（PWConv）来提取和交互融合不同尺度的特征，以进行实时的带钢表面缺陷显著目标检测。在包含三种不同类型的带钢表面缺陷检测图像（包括夹杂物、斑点和划痕）的 SD-Saliency-900 数据集上进行的综合实验结果表明，提出的 MINet 具有与最先进的方法相当的检测准确性，在仅拥有 0.28M 参数的情况下以 721FPS 的 GPU 速度和 6.3FPS 的 CPU 速度对 368*368 像素的图像运行。
automated surface defect detectionsaliency-based worksmulti-scale interactive modulelightweight multi-scale interactive networkstrip steel surface defects
发现论文，激发创造
  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • 多尺度交互网络用于显著性目标检测

    本研究提出了 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题，从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比 23 种最先进的方法表现优异。

    Jul, 2020

  • 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

  • DANet：通过高效的变形注意力网络提升小目标检测

    在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

    Oct, 2023

  • 使用单线程进行快速显著目标检测的深度非局部模块

    本文提出了一种新的深度学习算法，能够同时实现竞争性准确性和高推理效率，通过深度可分离非局部模块（DNL）和 DNL 网络架构，隐式建模对比以收获通道内和通道间的相关性。该算法成功地在单个 CPU 线程上实现现实时间性能，成为现有所有基于深度学习的算法中效率最高的算法之一。

    Jan, 2020

  • 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 Attention 模块提升工业检测中的图像级异常检测：DifferNet 案例研究

    通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。

    Nov, 2023

  • 多层次交叉模态交互网络用于 RGB-D 显著性目标检测

    本文提出了一个名为 MCINet 的基于 RGB-D 的 SOD 深度学习网络，该深度学习网络具有多层跨模态交互及特征学习组件，可以有效地提高 SOD 性能。实验结果表明，MCINet 比 14 种最先进的方法表现更优，且能够显著提高 SOD 性能。

    Jul, 2020

  • 联合注意力引导特征融合网络用于表面缺陷的显著性检测

    面部缺陷检查在工业生产过程中起着重要作用。尽管基于卷积神经网络（CNN）的缺陷检查方法取得了巨大进展，但仍然面临许多挑战，如缺陷尺度变化，复杂背景，低对比度等。为了解决这些问题，我们提出了一个基于编码器 - 解码器网络的联合注意力引导特征融合网络（JAFFNet）来进行表面缺陷的显著性检测。JAFFNet 主要将联合注意力引导特征融合（JAFF）模块并入解码阶段，以自适应地融合低级和高级特征。JAFF 模块学习强调缺陷特征，并在特征融合过程中抑制背景噪声，有益于检测低对比度的缺陷。此外，JAFFNet 在编码器之后引入了一个密集感受野（DRF）模块，用于捕捉具有丰富上下文信息的特征，有助于检测不同尺度的缺陷。JAFF 模块主要利用高级语义特征提供的学习联合通道 - 空间注意力图来引导特征融合。DRF 模块利用一系列多感受野（MRF）单元，每个单元将前面的所有 MRF 特征图和原始输入作为输入。得到的 DRF 特征捕捉了具有大范围感受野的丰富上下文信息。在 SD-saliency-900、磁砖和 DAGM 2007 上进行的大量实验表明，我们的方法在与其他最先进的方法进行比较时取得了有希望的性能。与此同时，我们的方法实现了每秒 66 帧的实时缺陷检测速度。

    Feb, 2024

  • 基于正常参考关注机制和缺陷特征感知网络的表面缺陷检测

    本文提出了一种名为 NDP-Net 的无监督重构方法，通过引入多比例判别特征提取模块和基于参考的注意力机制，准确检测各种纹理缺陷并进行多尺度缺陷分割。

    Nov, 2022