Jun, 2024

基于机器学习的材料缺陷检测的全面调查：挑战、解决方案和未来展望

PDF
TL;DR材料缺陷 (MD) 是影响产品性能并引起相关产品安全问题的主要挑战，通过机器学习 (ML) 技术在材料缺陷检测 (MDD) 中，围绕非监督学习、监督学习、半监督学习、强化学习和生成学习五个类别系统地调查了主要原理和技术，并聚焦于复合材料的缺陷检测技术，最后探讨了 ML 技术在 MDD 中的潜在未来发展方向。
material defectsmachine learningdetection techniquescomposite materialsfuture directions
发现论文，激发创造
  • 基于数据驱动的机械故障检测：综述

    本文综述了使用不同类型的机器学习方法检测和诊断各种类型的机械故障的文章，突出了其优势和限制，回顾了用于基于条件的分析的方法，全面讨论了现有的机械故障数据集，并介绍了未来研究人员在使用这些方法进行 MFD 时可能遇到的挑战，并推荐可能的解决方案，同时指出了未来的研究前景，以促进该领域的进一步发展。

    May, 2024

  • 基于机器学习进行优化断裂韧性的复合材料设计

    通过机器学习技术优化 2D 和 3D 复合结构，研究断裂韧性和裂纹扩展在双悬臂梁（DCB）试验中的应用，揭示微观结构排列与复合材料宏观性能之间的复杂关系，证明了机器学习作为强大工具在设计优化过程中的潜力，相较于传统有限元分析具有明显优势。研究包含四个不同案例，分别检查 2D 和 3D 复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，研究展示了在复合材料设计中对庞大设计空间进行快速准确探索的能力。研究结果强调了机器学习在有限训练数据下预测机械行为的效率，为复合材料设计和优化的广泛应用铺平了道路。该研究对提高复合材料设计过程中机器学习的效率做出了贡献。

    Jun, 2024

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019

  • 半导体晶圆图缺陷模式识别的机器学习技术：一项调查、实证和实验评估

    综述了利用机器学习技术识别半导体制造中晶圆缺陷的方法学，提供了各种机器学习算法在晶圆缺陷检测中的优势、局限性和潜在应用的深入分析，通过创新的分类方法将算法细分为更具体的类别和技术，结合实证评估和实验评估提供了对机器学习技术和算法全面的理解，指导研究人员在工作中做出更明智的决策，并阐明了晶圆缺陷识别中机器学习技术的未来前景和进一步研究的机会。

    Oct, 2023

  • 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

  • 基于点云的工业系统三维缺陷检测与分类的进展：综述

    对基于深度学习处理三维点云的工业应用中的缺陷形状分类和分割的最新进展进行全面综述，旨在为产业系统中剩余寿命的理解和提升做出贡献。

    Feb, 2024

  • 基于少量标记数据的工业产品表面缺陷检测综述

    本文回顾了基于少量标注数据的工业产品表面缺陷检测方法，包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法；基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。

    Mar, 2022

  • 利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强，以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质

    使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

    Nov, 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

  • 结构导向的材料和工艺设计中的机器学习

    近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

    Dec, 2023