基于活动指导的工业异常声音检测对抗干扰
该研究介绍了一个名为MIMII的声音数据集,其中包括正常和异常操作下四种不同类型的工业机器声音,以协助机器学习和信号处理领域的自动化设备维护的发展。
Sep, 2019
本文介绍了DCASE 2020 Challenge任务2的任务描述和结果,并讨论了无监督检测机器异常声音方面的研究。通过介绍了大规模数据集、评价指标和基线系统来设计此挑战赛,共收到了40个团队的117份提交,基于该挑战的结果分析,本文进一步讨论和分析了两种新方法和存在的问题。
Jun, 2020
本文介绍了一个机器声音数据集,旨在评估领域泛化技术用于异常声音检测。该数据集名为MIMII DG,包含五种机器类型和三个领域移位情境,并根据参数和噪声的不同值引入领域移位,试验结果表明这个数据集可以复现领域移位情境,是评估领域泛化技术的有用工具。
May, 2022
通过学习正常操作声音的特征并感知其偏差,无监督异常声音检测(ASD)旨在识别异常声音。近期研究集中于自监督任务,利用正常数据的分类,而先进模型的研究表明,通过表示学习及产生紧凑的类内和互不重叠的类间分布,保证异常数据的表示空间是重要的。然而,传统方法通常无法确保足够的类内紧凑性,并存在样本与其相应中心之间的角差异。本文提出了一种训练技术,旨在确保类内紧凑性并增加正常和异常样本之间的角间隔。此外,我们提出了一种提取重要时间区域特征的结构,使模型能够学习哪些时间帧应该被强调或抑制。实验结果表明,该方法在DCASE 2020 Challenge Task2数据集上相对于最先进的方法,AUC、pAUC和mAUC分别提高了0.90%、0.83%和2.16%。
Oct, 2023
2024年DCASE挑战任务2的任务描述:机器条件监控中首次无监督异常声音检测(ASD),以领域泛化为特点的一次性问题,旨在实现对新型机器的快速部署,无需机器特定的超参数调整。
Jun, 2024
本文针对工业互联网中机器异常声音检测(ASD)在分散设置下的研究空白,提出了一种新颖的合作框架CoopASD。该框架允许各工厂在保留隐私的情况下,基于本地数据集共同训练ASD模型,最终实现了与集中设置下的顶尖模型相媲美的性能,展现了仅0.08%的微弱性能下降。
Aug, 2024
本研究针对工厂机器故障的早期检测问题,提出了一种将人耳听觉模型与机器特性相结合的方法。通过设计特定的非均匀滤波器组,并提取光谱时间调制特征,显著提高了不同机器正常与异常声音的区分能力,尤其在不同信噪比条件下提升了性能。
Sep, 2024
本研究解决了当前异常声音检测系统在噪声干扰、领域迁移和有限训练数据下的鲁棒性问题。提出的GenRep方法利用了强大的预训练特征提取器生成通用特征表示,以kNN技术进行领域泛化,无需微调,并在DCASE2023T2评估集上取得了73.79%的官方得分,表现出在有限数据情况下的强大鲁棒性。
Sep, 2024
本研究针对机器声音异样检测系统开发中的录音不足和异常样本稀缺的问题,提出了一种新颖的潜在扩散模型生成多样化异常声音的方法。通过利用Flan-T5模型编码音频文件元数据生成条件音频,我们的方法在生成的声音质量上超越现有模型,显示出增强异常检测系统评估和稳健性的潜力。
Sep, 2024