利用通道洗牌的深度学习加速金属表面缺陷检测
提出了一种轻量级木质面板瑕疵检测方法 ——YOLOv5-LW,该方法结合了注意力机制和特征融合网络,并采用多种技术提高检测能力和计算效率,在自主开发的实验数据集上取得了 92.8% 的准确率,减少参数数量 27.78%,压缩计算体积 41.25%,提高检测推理速度 10.16%。
Jun, 2023
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
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。
May, 2024
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
基于 YOLOv5 模型的结构问题的分析,设计了四种创新的结构(DFP, IFF, AMP, EOS),提出了高性能的人造皮革细小缺陷检测模型 YOLOD,在人造皮革数据集上表现出色,在 AP_50 方面相比 YOLOv5 提升了 11.7%-13.5% 并且错误检测率降低了 5.2%-7.2%。此外,YOLOD 在一般的 MS-COCO 数据集上也表现出色,在 AP 方面相比 YOLOv5 提升了 0.4%-2.6% 以及在 AP_S 方面相比 YOLOv5 提升了 2.5%-4.1%,展示了在人造皮革缺陷检测和通用目标检测任务方面的卓越性能,使其成为实际应用中高效、有效的模型。
Jul, 2023
为了提高生产制造过程中焊点缺陷检测的准确性和降低计算成本,本研究提出了一种混合关注机制,该机制由增强的多头自注意力和坐标注意力机制组成,能够提高网络感知上下文信息和学习局部特征的能力,从而使焊点缺陷检测的均方平均精度(mAP)达到 91.5%,比其他版本的算法要高。同时,在满足实时检测要求的前提下,也对平均精度、精确率、召回率和帧每秒指标进行了改善。
Jan, 2024
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
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
本研究提出了一种新的基于深度学习的图像处理系统, 可以自动识别不同类型的船面缺陷并测量其覆盖百分比,结果表明该系统可以客观地执行类似于合格检查员的评估。
Mar, 2022
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