利用通道洗牌的深度学习加速金属表面缺陷检测
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
本文探讨了如何利用基于距离的异常检测方法训练深度残差三元组网络模型,并通过随机擦除技术合成缺陷样本以直接学习相似度度量,从而提高表面缺陷检测的准确性。实验结果表明,该方法能够检测出不同类型的异常,包括弯曲、破碎或裂纹等。
Nov, 2020
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
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
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
针对钢表面缺陷图像生成的数据不足问题,提出了一种稳定的钢表面缺陷图像生成方法,通过在生成过程中对数据分布进行参数调整和采用钢表面图像导向的生成方法,以解决钢表面图像与生成图像的分布差异问题,并在钢表面缺陷数据集上展示了出色的样本生成和识别模型训练性能。
May, 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
本研究解决了金属制造过程中手动检查费时且资源消耗大的问题,提出了一种基于视觉变压器的深度学习模型,以实现金属表面缺陷的分类和定位。实验结果表明,该模型能有效提高自动缺陷检测的效率,并减少金属制造中的错误。
Oct, 2024