玻璃瓶印刷的工业质量控制中的机器学习
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
提出了一种基于交互式支持系统,结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识,并实现用户反馈与决策透明解释,减轻人类负担且尊重其专业性和主观能动性的方法,以及用于工业质量控制中的良品检测任务的模式分类算法。
Mar, 2022
本研究比较了三种主动学习方法和视觉检测,提出了六个新的指标来评估校准质量,并探讨了现有校准器是否能通过利用近似基准事实来扩大校准集合来提高性能。研究结果表明,即使在达到 0.95 的阈值时,探索的主动学习设置也可以将数据标注工作量减少三到四个百分点,并且不会损害整体质量目标。此外,研究结果表明,建议的校准指标成功捕获相关信息,无需获取基准事实数据,可以用于估计模型概率校准的质量。
Sep, 2022
通过使用迁移学习模型,本研究探索了机器学习方法在3D打印圆柱体缺陷检测方面的有效性,发现特定的迁移学习模型(如MobileNetV2)可以高准确度地分类AM缺陷,同时结果揭示了算法性能的差异,为3D打印可靠自动化缺陷分析提供模型优化和集成需求的见解。
Oct, 2023
本文提出了一种新颖的自监督学习算法,通过解决著名的拼图问题来设计一个优化的编码器,以在工业产品中检测纹理和物体缺陷,实验结果表明我们的方法在广泛使用的MVTec AD数据集上达到了95.8%和96.8%的杰出检测和分割性能,为纹理和物体缺陷建立了最新的基准。
Nov, 2023
提出了一种新型的自动监控系统,在分析实验室中生产过程中的塑料耗材,通过使用手动设计的深度网络模型来增强对试管内透明抗凝剂物质存在与否的控制过程的有效性,并通过实验结果证明该方法与最先进的模型相比具有竞争力,表现出优于其他模型的分类能力和泛化能力,为塑料耗材公司的生产过程成功实施类似模型提供了可能性。
Apr, 2024
近年来,质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而,开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺,阻碍了进展。本系统性综述涵盖2015年至2023年,鉴别15个公开可用的数据集并对其进行关键评估,以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况,如NEU-CLS,NEU-DET,DAGM,KolektorSDD,PCB Defect Dataset和空心圆柱缺陷检测数据集,每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方,为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 2024
在高产量制造环境中,错误或故障可能导致时间和金钱的损失,而识别此类故障往往耗时且无法适应设计变化和日常行为的变化。因此,本研究开发了一个结合基于规则的决策和机器学习模型的新型程序,能够应对高产量制造环境中需要监测的大量单位,从而实现对变化和需要适应性的实时监控。
Jul, 2024