![](https://img-blog.csdnimg.cn/11bd7a06b4ad45c1aa7b9471f75eac5b.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
AI-无损检测方向
文章平均质量分 86
AI基于无损检测方向的论文
LiBiGo
工学博士在读,主要从事智能制造、工业精密检测、智能化设备研发等方向研究,已发表二区Top文章一篇、国家级竞赛二等奖一项、已授权软件著作权两项、已发表中文期刊两篇,先后参与国家自然科学基金面上项目、省重点研发计划等课题。
展开
-
【文章阅读】Frustratingly Simple Few-Shot Object Detection
从几个例子中检测稀有物体是一个新出现的问题。先前的研究表明,元学习是一种很有前途的方法。但是,微调技术几乎没有引起人们的注意。我们发现,仅对稀有类现有检测器的最后一层进行微调对于少镜头目标检测任务是至关重要的。在当前的基准测试中,这种简单的方法比元学习方法高出大约2~20个百分点,有时甚至会使以前的方法的准确率翻一番。然而,少数样本的高方差往往导致现有基准的不可靠。我们通过对多组训练样本进行采样来修改评估协议,以获得稳定的比较,并基于Pascal VOC、COCO和LVIS这三个数据集建立新的基准。原创 2022-10-22 10:18:35 · 21446 阅读 · 32 评论 -
FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding
FSCE:通过对比建议编码进行少样本目标检测新出现的兴趣已被用于识别以前看不见的对象,因为训练示例很少,称为少镜头对象检测 (FSOD)。最近的研究表明,良好的特征嵌入是获得良好的少样本学习性能的关键。我们观察到具有不同 Intersection-ofUnion (IoU) 分数的对象提议类似于对比方法中使用的图像内增强。我们利用这种类比并结合监督对比学习,在 FSOD 中实现更稳健的对象表示。原创 2022-09-27 19:35:25 · 14436 阅读 · 0 评论 -
YOLOX-PAI: An Improved YOLOX, Stronger and Faster than YOLOv6
YOLOX-PAI:一种改进的YOLOX,比YOLOv6更强更快原创 2022-09-15 14:11:06 · 26886 阅读 · 3 评论 -
SCI英语论文长难句攻略
先找标点,再找连接词,都找不到再分析主谓。断句只看谓语动词,不考虑非谓语动词(todo done doing),因为非谓语动词都是补充,而且一个句子只有一个谓语。先找从句,但是先看主句,即把从句去掉,因为都是补充说明,所以去掉就行!原创 2022-09-15 09:50:56 · 26945 阅读 · 1 评论 -
阅读英文论文的方法总结(三遍法)
1.title2.abstract3.introduction4.method5.experiments6.conclusion第一遍:标题、摘要、结论,看是否自己研究的相关,看完之后可以看部分实验和方法里的关键图和表,这样可以花费十几分钟时间了解到论文是否适合你的研究方向。第二遍:忽略部分细节,看懂重要图和表里的每个词,方法对比等,需要了解重要的图和表,知道每一个部分在干什么,圈出部分重要文献。看懂文章针对的问题、解决方法、效果怎么样。觉得文章太难,可以读引用的文献。第三遍:最原创 2021-11-17 19:35:25 · 941 阅读 · 0 评论 -
A Lightweight and Accurate Recognition Framework for Signs of X-ray Weld Images
在质量检测行业中,x射线图像是保证设备安全的常用手段。x射线焊缝图像标识识别在制造业数字化溯源系统中起着至关重要的作用。焊缝图像中物体的尺度差异较大,难以实现理想的识别。本文提出了一种基于卷积神经网络(cnn)的焊缝图像符号识别框架。该框架首先包含一个用于图像位姿校正的浅层分类网络。此外,我们提出了一个新的空间和通道增强(SCE)模块来解决上述尺度问题。该模块可以集成多尺度特征,并对每个特征源自适应分配权重。以SCE模块为基础,设计了一种窄网的焊缝最终信息识别系统。原创 2022-09-14 13:58:24 · 29523 阅读 · 4 评论 -
LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray Image
x射线图像能反映焊接区域的内部状况,在保证焊接质量方面起着重要作用。然而,不同类型缺陷的形状和规模差异很大,这给模型检测焊接缺陷带来了挑战。设计了增强的多尺度特征(RMF)模块,实现了基于参数和无参数的多尺度信息提取操作。RMF使提取的特征映射能够表示更丰富的信息,这是通过更高层次的融合结构来实现的。为了提高检测网络的性能,我们提出了一种高效的特征提取(EFE)模块。为了进一步证明我们的方法的能力,我们在公共数据集MS COCO上进行了测试,结果表明我们的LF-YOLO具有出色的通用性检测性能。原创 2022-09-14 13:22:28 · 35777 阅读 · 0 评论 -
Review on the Recent Welding Research with Application of CNN-Based Deep Learning
cnn使端到端学习没有特征提取和现场估计的过程输出。论文分为5组:4组为监督学习模型,1组为无监督学习模型。监督学习组的分类是基于迁移学习和数据增强的应用。原创 2022-09-14 13:18:23 · 35268 阅读 · 1 评论 -
Multi-scale multi-intensity defect detection in ray image of weld bead
用于检查内部缺陷的射线探伤是一种重要的焊接无损检测技术。不同检测场景、不同类型缺陷的焊道射线照片差异很大,限制了自动检测算法的通用性。本文通过分析不同尺度和强度的射线照相图像解决了这个问题。首先,建立多尺度多强度参数空间,参数对应的预处理图像保证不漏检。然后,通过焊缝的检测标准和射线图像的特性,自动限定参数的取值范围,优化预处理图像。最后,用于筛选和合并不同预处理图像中的缺陷的算法旨在减少错误检测并描述精确的缺陷边界。原创 2022-09-14 13:16:15 · 10924 阅读 · 0 评论 -
Deep learning based multi-scale channel compression feature surface defect detection system
工业工件通常包含复杂的结构,包括中空区域、焊接接头或铆钉孔。我们首先提出合并具有不同核大小的多个卷积层,以增加感受野并产生多尺度特征。因此,所提出的模型可以更好地处理杂乱的背景和各种大小的缺陷。在新构建的表面缺陷数据集(图像包含复杂的结构和各种尺寸的缺陷)上进行评估,与最先进的表面缺陷分类器相比,我们提出的模型获得了更准确的识别结果。原创 2022-09-13 14:57:18 · 13979 阅读 · 1 评论 -
Automatic Detection of Welding Defects Using Faster R-CNN
专家需要正确检测测试结果,手动解释超过500个区块的结构的无线电图形测试图像需要大量时间和成本。提出一种基于深度学习的快速R-CNN自动检测焊接缺陷的方法。采用数据扩充的方法,人为地增加有限的数据。Automatic Detection of Welding Defects Using Faster R-CNN基于快速R-CNN的焊接缺陷自动检测原创 2022-09-13 14:13:58 · 11316 阅读 · 0 评论 -
Automated defect inspection system for metal surfaces based on deep learning and data augmentation
由于金属制造业的性质,由于一些缺陷很少发生,因此获取足够的数据是一种狂热的做法。在这项研究中,我们提出了一种新的卷积变分自动编码器(CVAE)和基于深度CNN的缺陷分类算法来解决这一问题。提出了一种条件CVAE(CCVAE)来为单个CVAE模型中的每种缺陷类型生成图像。原创 2022-09-13 13:33:30 · 8849 阅读 · 0 评论 -
A Generative Adversarial Network-based Deep Learning Method for Low-quality Defect ImageReconstructi
A Generative Adversarial Network-based Deep Learning Method for Low-quality Defect ImageReconstruction and Recognition,本文提出了一种基于生成对抗网络 (GAN) 的 DL 方法,用于低质量缺陷图像识别。GAN用于重建低质量缺陷图像,并建立VGG16网络识别重建图像。PSNR、SSIM、余弦cosine和互信息的结果表明重建图像的质量大大提高,这对缺陷分析非常有帮助。原创 2022-09-13 13:10:16 · 7437 阅读 · 3 评论 -
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
YOLOv7在速度和精度上都超过了所有已知的物体探测器,在5FPS到160FPS的范围内,并且在所有已知的GPU V100上30 FPS或更高的实时物体探测器中,具有最高的准确率56.8%AP TEST-DEV/56.8%AP MIN-VAL。YOLOv7-E6目标探测器(56FPS V100,55.9%AP)比基于变压器的探测器Swin-L Cascade-MASK R-CNN(9.2 FPS A100,53.9%AP)的速度快509%,准确率高2%;基于卷积的探测器ConvNeXt-XL Cascade原创 2022-09-03 11:26:35 · 9747 阅读 · 2 评论 -
DISCOBOX: Weakly Supervised Instance Segmentation and Semantic Correspondence from Box Supervision
DISCOBOX:弱监督的实例分割和来自Box监督的语义对应。我们介绍了 DiscoBox,这是一种新颖的框架,具体来说,我们提出了一个最小化教师能量同时产生精细的对象掩码和类内对象之间的密集对应关系,它们被视为伪标签来监督任务网络并为密集对比学习提供正/负对应对。我们展示了一种共生关系,其中两个任务相互受益。我们的最佳模型我们还在 PASCAL VOC12 和 PF-PASCAL 上通过实时推理获得了最先进的弱监督结果。原创 2022-09-03 11:07:54 · 8948 阅读 · 0 评论 -
AI-无损检测方向速读:基于深度学习的表面缺陷检测方法综述
表面缺陷检测是机器视觉领域中非常重要的一项研究内容, 也称为 AOI (Automated optical inspection) 或 ASI (Automated surface inspection),它是利用机器视觉设备获取图像来判断采集图像中是否存在缺陷的技术。在很多开放式的工业环境下,期待设计的成像系统完全消除场景或者被检材料等变化对检测系统的影响,往往不太现实。也增加了检测系统的应用成本在真实复杂的工业环境下,表面缺陷检测往往面临诸多挑战,例如存在缺陷成像与背景差异小、对比度低、缺陷尺度变化大且原创 2022-06-13 09:27:25 · 11420 阅读 · 4 评论