1.A learning-based approach for surface defect detection using small
% q- _3 {$ U, c; v7 W8 D' N在本文中,我们提出了一种基于小图像数据集的有前途的基于学习的自动缺陷检测方法。在Wasserstein生成对抗网络(wgan)、基于特征提取的迁移学习技术和多模型集成框架的帮助下,我们的方法能够成功地处理不平衡和严重罕见的带有缺陷的图像,这对制造业具有实际意义。此外,我们尽可能降低假阴性率(FNR)。在装饰板和焊接接头上进行了大量的缺陷检测实验,其FNR精度分别为0.47%和1.9%,而在生产线上使用的传统视觉方法在相似的情况下只能达到20%左右的FNR结果,从而证明了该方法对于表面缺陷检测是非常有效的。
0 F' P3 p" ~/ B! [5 K2.Deep Active Learning for Surface Defect Detection
* g5 V& t7 e3 F1 Q& X9 q; e& g# G- V本研究提出了一个缺陷检测的主动学习框架。首先,提出了一种不确定性抽样方法来生成候选标注列表。不确定的图像可以为学习过程提供更多的信息。然后,设计了一种平均裕度方法来设置每个缺陷类别的采样尺度。此外,采用迭代的训练和选择模式来训练有效的检测模型。大量的实验表明,该方法可以在较少的标记数据下获得所需的性能。( ^: }: h6 u$ D M0 _# a, T8 x3 {
3. 玻璃缺陷检测新方法的研究_喻宾扬3 t! \1 i* y2 t( G/ @, n
玻璃缺陷检测已成为提高玻璃质量的重要技术之一$它在检测出不合格玻璃产品的同时$还能将缺陷信息传递给玻璃生产的各个流程$再对各个环节加以改进% 为能够生产出高质量的玻璃和准确地获取玻璃缺陷信息$采用了一种基于莫尔条纹的玻璃缺陷检测新方法% 这种检测方法不但能够检测出微小缺陷$并进行分类$还能有效地检测出玻璃的光学畸变%9 S3 {& G8 \7 E ^/ f
4.产品表面平整度的机器视觉检测技术应用研究_黄燕
. r2 w, R% q+ Y8 H1 I Q Y以具有典型镜面反光特性的抛光瓷砖作为研究对象,探讨了瓷砖表面平整度的评价指标,提出了表面平整度检测方法,构建了基于机器视觉的平整度检测系统,在试验盒内完成图像采集与预处理后,利用算子图像不平整缺陷区域的分割识别,可呈现清晰的瓷砖产品表面图像变形缺陷区域,为检测产品表面平整度的机器视觉检测技术的应用提供了参考。
! B" G& a$ ]! P9 E% r9 q- l/ K5.基于结构光成像的键盘键帽平整度检测方法研究_谭立春. A$ S4 C8 H. S! p) R
6.基于深度学习的表面缺陷检测方法综述_陶显& _# \. C8 e7 y( S* t4 T# {
7.基于双网络的钢材表面缺陷检测方法_谢良辉7 W! f# ]; ^6 [
* S2 W" X& n0 \2 s' C; u4 t
论文全部推荐:
' L; t: w4 p7 V* ~7 k
$ p! B2 N) P4 ?5 C
. j0 h+ i! j' S' {
" X- s0 V. x6 ?' t |