- 复杂工业图像的监督异常检测
自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集,并提出了一种基于分割的异常检测器,其在该数据集上表现出先进性能。
- 裂纹图像的分割工具
本研究提出了一种半自动裂缝分割工具,通过图像处理算法利用多方位小波变换构建图像的 “方向得分”,从而计算出最佳裂缝路径,进而实现像素级的分割,该方法优于完全自动方法,并显示出成为手动数据标注的合适替代方法的潜力。
- 用于像素级识别结构组件和损伤的高分辨率视觉变压器
在本研究中,我们基于视觉变换器和拉普拉斯金字塔缩放网络开发了一个语义分割网络,用于高效解析高分辨率的视觉检测图像。通过在桥梁检测报告图像数据集上进行全面的实验评估,我们的提出的框架在像素级材料检测方面具有广泛的应用价值。
- 损伤视觉开采不平衡异常检测机会
在这项研究中,我们概述了在视觉检测、异常检测、损坏数据挖掘和预测性维修方面的不平衡数据问题,并提供了在木材、混凝土损坏和灾难损害等视觉数据集上的清晰示例,证明了正例比率范围越大,异常检测应用的准确性提高越高的假设结果。
- ACF-Net:一个注意力增强的互动协同融合网络,用于视觉检测中的自动结构条件评估
该论文提出了一种基于 ACF-Net 的自动化结构状态评估方法,可以同时解析结构元素和分割元素上的表面缺陷。实验结果表明,该方法在元素解析和腐蚀分割方面优于当前已有的最先进方法,在新的基准数据集 SBCIV 测试集上获得了 92.11%的元 - 通过 xAI 和主动学习,将人类置于 AI 循环之中,以进行视觉检查
介绍了工业 5.0、人机协作、质量检测和视觉检测的现状。提供了如何实现和加强视觉检测中的人机协作的观点。最后,分享了 EU H2020 STAR 项目所取得的关于视觉检测、人工智能、人类数字孪生和网络安全的一些实验结果。
- 一种生成用于视觉集装箱检查的合成标记数据集的方法
本文介绍了一种创新的方法来生成一个逼真、多样、平衡和带标签的数据集,用于集装箱在码头环境下的视觉检查任务,并且我们证明了生成的合成标记数据集可以用于训练可以在实际环境中使用的深度神经网络。此外,我们提供了第一个开放的合成标记数据集 “Sea - 制造业视觉缺陷检测基准评估综述
对现有工业视觉检测基准进行研究,比较和揭示其特征和使用情况,并通过检查工业视觉检测基准的当前状态,揭示基准使用的指导方针。
- 深度学习预测
本文提出了一种基于深度学习的时间序列预测方法,并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤,并进行可视化检查。实验结果表明,如果数据集中的时间序列重复出现固定模式,则可以使用单个时间序列来训练深度学习网络。然而,对于 - 使用 GAN 进行合成数据增强,以提高自动化视觉检查的效果
本研究使用人工智能模型进行视觉质量检测,探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术,结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能
- SsaA: 在线视觉检查与制造自动化自监督自动标注系统
本文介绍了一种名为 SsaA 的自动标注系统,采用自监督学习方法,在制造自动化场景中持续进行在线视觉检测,该系统利用无异常数据进行预处理,生成粗略标签,然后进行下游任务的监督学习,方便集成和部署工具。
- 无监督异常定位在工业图像中的应用:一个调研
本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析,包括各种概念、挑战、分类、基准数据集及量化性能比较,并提供了未来研究方向的预测和分析。
- 面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络
本文提出了一种新的无监督特征记忆重组网络(FMR-Net)来准确检测各种纹理缺陷,通过提取多尺度特征、对比学习模块(CMFM)、全局特征重排模块(GFRM)来构建正常特征记忆库,采用两阶段的训练策略,使用多模式检测方法来实现缺陷定位,实验证 - 银河动物园 2:来自 Sloan Digital Sky Survey 的 304,122 个星系的详细形态分类
Galaxy Zoo 2 是一个旨在通过公众参与,将天文图像中的星系形态分类的公民科学项目,本文介绍了其数据发布,并说明其优势在于对大量天文图像进行目测分类的不可替代性。