- 晶片地圖缺陷模式半監督分類使用潛在向量表示
这篇论文提出了一种利用预训练的 VAE 模型获取晶圆图故障分布信息,并结合原始图像集进行半监督模型训练的方法。通过师生网络的迭代学习,该模型在 WM-811K 晶圆数据集上验证得到了卓越的分类准确性和检测性能,实现了对工业应用的要求,并在性 - 全局上下文聚合网络用于轻量级表面缺陷显著性检测
表面缺陷检测是一个具有挑战性的任务,传统高精度的缺陷检测方法通常需要昂贵的计算和存储成本。因此,本文提出了一种基于编码 - 解码结构的全局上下文聚合网络 (GCANet) 来实现轻量级表面缺陷的显著性检测。GCANet 在轻量级骨干网络的顶 - CINFormer: 多阶段 CNN 特征注入的 Transformer 网络用于表面缺陷分割
通过使用多阶段 CNN 特征注入的 Transformer 网络,我们提出了一种名为 CINFormer 的 UNet 结构,以实现表面缺陷分割。CINFormer 在编码器中采用了简单而有效的特征整合机制,将输入图像的多层级 CNN 特征 - 多任务购物网站图片缺陷修复的层次条件半配对图像转换
本研究提出了一种统一的图像到图像翻译 (I2I) 模型,以纠正商品网站上不同产品类型的多个缺陷,该模型利用注意机制层次化地结合高层次的缺陷组和特定的缺陷类型,指导网络关注与缺陷相关的图像区域,并在实际购物网站数据集上进行测试,相较于 WS- - 使用 Detectron2 框架进行合成纤维绳缺陷检测
利用 Detectron2 库中的 Mask R-CNN 架构,在合成纤维绳索中实现缺陷的自动检测,以提高检查过程并确保绳索的安全。
- 消除工业异常检测中的表示偏差
通过考虑预训练模型的领域偏差,建立自我监督学习任务以实现更好的领域适应性,并采用缺陷生成策略来减少偏差,在局部密度 KNN(LDKNN)中减少局部密度偏差以实现有效的异常检测。在常用的 MVTec AD 基准测试中,获得了 99.5% 的 - ForestMonkey:AI 缺陷检测和分类模型推理工具包
人工智能推理和可解释的人工智能任务近来备受关注,该研究介绍了 Forest Monkey (FM) 工具包,它是一个用于推理任何基于人工智能的缺陷检测和 / 或分类模型输出的工具包,并提供一套图表和文本文件来说明推理结果并提供可能的改进建议 - 基于简单自编码器的傅里叶变换法纹理缺陷检测
本研究采用简单的自编码器和傅里叶变换来进行纹理缺陷检测,将傅里叶变换与自编码器重构的模板相结合。通过分析频域以有效地检测纹理缺陷,实验证明了该方法在检测纹理缺陷方面的有效性和准确性,并与现有方法进行了比较。
- 轻量级木板缺陷检测方法,结合注意力机制和特征融合网络
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. - 具对比性本地化的强韧缺陷检测
该论文提出一种无需建模过程,通过生成对抗网络(GAN)、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架,在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。
- VISION 数据集:基于视觉的工业检测基准测试
通过引入 VISION 数据集,我们希望为实现基于视觉的工业检测的进一步提高带来新的挑战和方法。
- 利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据
本文提出了一种基于领域自适应和自编码器数据增强的方法,用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题,实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。
- 基于模拟辅助的深度学习激光超声可视化测试
本研究提出了一种基于仿真和风格转移的数据增强方法,该方法改善了缺乏大量样本的情况下,对激光超声成像测试中存在缺陷的检测的效果。
- 激光超声可视化测试图像缺陷检测深层 CNN 结构研究
本文提出了一种深度神经网络用于自动检测和定位 LUVT 图像中的缺陷。通过使用来自 SUS304 平板的真实数据进行数值实验,我们发现该方法在预测性能方面比一般对象检测模型更有效,并且所需的计算时间也比通用对象检测模型要快。
- 实时缺陷检测数据生成中 X 射线散射效应的量化研究
通过对 X-ray 扫描中 X-ray 散射算法的定量评估,对比了在包含和不包含散射信号的情况下进行训练后,采用深度卷积神经网络(DCNN)进行 defect detection 的准确性。结果表明,不包含散射信号的训练数据对最小可检测缺陷 - 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。
- ICLR基于图神经网络的增材制造现场异常检测
本研究使用激光输入信息训练模型,预测名义激光熔化条件并计算异常得分以检测制造缺陷,显示异常检测方法是开发可靠的缺陷检测方法的重要工具。
- 使用二维灰度共生矩阵的纹理图像处理进行破损铁轨检测
该文提出了一种基于图像纹理处理的铁路缺陷检测方法,使用 Automatic Train Control system 提高铁路安全性,分析了由于铁路破损和断裂导致的事故,采用 Random Forest 分类器对提取的缺陷图像特征进行分类, - 使用弱监督学习进行缺陷检测
本文论述了弱监督学习技术在缺乏大量标注数据情况下替代传统有监督学习的可行性,并以缺陷检测任务为例,在图像数据集上对弱监督分类器和有监督分类器的准确性、精度和召回率进行对比实验,结果表明弱监督分类器相对于有监督分类器需要更少的标注数据,但其性 - SSGD:用于智能手机屏幕玻璃缺陷检测的数据集
本文提出一种带有 7 种缺陷类型的触摸屏玻璃缺陷数据集,并在此数据集上对比了 CNN 和 Transformer 两种基于目标检测的框架,以证明高分辨率图像上的缺陷检测的挑战性。