深度学习在工业缺陷检测的应用

最新推荐文章于 2025-06-25 11:19:08 发布
原创 最新推荐文章于 2025-06-25 11:19:08 发布 · 669 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了深度学习在工业缺陷检测中的应用，涵盖了多个团队的方法和遇到的问题。团队一关注样本分布和数据增强，确保模型收敛；团队二至八则提出了不同的解决方案，包括使用DenseNet和mean-teacher等技术来处理小样本和正负样本比例不平衡的挑战。

文章目录


Ps: 所有队伍均选用FPN + Faster-RCNN 故以下创新点针对于各队在此基础上的改动.
1- Are u ok: OHEM + SWA + DCN + OCNet
2-禾思科技： SWA + DCN + Generalized-RCNN + Dialted FPN + ROI Align + Focal Loss + IOU_AVG
3-都都都都都都： SWA + Dialted FPN + DPA+ MLBP + HEF + DB
4-打怪升级： box stacking + 结合MaskRcnn + caffe2go
5-数之联： OHEM + Scale Normalization + multi-layer Cascade-RCNN
6-风不动： DCN + ROI Align + batch级OHEM + RPN比例

其中的缩写 - 全称：
SWA: Stochastic Weight Averaging
DCN: Deformable Convolutional Network
OCNet: Object Context Network
OHEM: Online Hard Example Mining
DPA: Dual-path Aggregation (原)
MLBP: Multi-levels ROI-Align Pooling(原)
HEF: Hierachical Feature Ensembling
DB: 用传统方法de-background(原)

1 团队一

1.1 样本分布

  • 数据增强
  • 样本缺陷的尺寸分布
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

1.2 问题

1.2.1 保证收敛

2 团队二

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

最低0.47元/天 解锁文章

200万优质内容无限畅学
工业缺陷检测：基于深度学习的表面缺陷分类
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
05-21 3万+
工业缺陷检测：基于深度学习的表面缺陷分类 ，人工智能，计算机视觉，大模型，AI，在现代工业生产中，产品质量直接影响企业的竞争力和声誉，工业缺陷检测作为质量把控的重要环节，其技术的发展至关重要。传统的人工检测方式效率低、成本高且易受主观因素影响，难以满足大规模、高精度的生产需求。随着深度学习技术的蓬勃发展，基于深度学习的工业表面缺陷分类方法凭借强大的特征提取和模式识别能力，成为解决工业缺陷检测难题的有效途径。本文将深入探讨基于深度学习的工业表面缺陷分类技术，结合详细的代码示例和概念解析。
工业缺陷检测深度学习方法综述
2301_80355452的博客
09-16 1384
异常：点异常、 上下文异常和集群异常。点异常：又称为离群值 (outliers)[9], 描述数值上偏离正 常样本的独立数据。与异常相近的概念还包括新颖点(novelty)和分布外数据。上下文异常：同样描述数据点,其数值属于正常范围,但不符合局部上下文规律。集群异常：描述一系列相关数据的集合,集合中的每一个实例的数值在单独考察时都处于正常值域,但集 合整体的相关性特征不服从正常模式。一般的图像异常检测往往仅需区分正常与异常样本,而工业缺陷检测更关注于检测 图像中的异常像素.
深度学习实现工业零件的缺陷检测
热门推荐
qq_29462849的博客
09-12 5万+
介绍 工业零件在制造完成的时候，往往需要去检测其完整性和功能性。如下图所示，从左上到右下，分别是擦花、漏底、碰凹、凸粉。本篇博文主要讲解如何去识别这四类图像，所用框架为keras-2.1.6+tensorflow-1.7.0+GTX1060。 数据集 所获得的数据不是太多，一共250幅图像，其中擦花图像29幅、漏底图像140幅、碰凹图像20幅、凸粉图像61幅。可以发现，这样的数据对深度卷...
深度学习实现零件缺陷检测源代码
09-12
结合VGG和残差网络实现工业零件的缺陷检测，基于keras和tensorflow可以直接运行使用
攻克反光难题！YOLOv9工业缺陷检测实战：高反光件、微小划痕精准识别
最新发布
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
06-25 829
摘要：本文聚焦于工业制造领域中高反光件和微小划痕等复杂缺陷检测难题，提出了一套基于YOLOv9的完整解决方案。首先分析了工业质检中高反光干扰、微小缺陷难以识别以及缺陷类型混淆等核心痛点，然后从光学设计和算法优化两个维度详细阐述了解决方案。光学方案针对不同材料特性推荐了最佳光源配置和拍摄角度；算法层面通过引入通道注意力机制抑制反光，结合超分辨率重建和滑动窗口检测实现亚像素级微小缺陷识别，并采用多标签分类头解决缺陷混淆问题。通过产线实测数据验证，该方案显著提升了各类缺陷的检出率，大幅降低误检率。
基于深度学习的工业缺陷检测（开篇）
weixin_46627194的博客
04-27 2937
为了更好了解深度学习，下面推荐了一篇深度学习的综述和一本深度学习的学习书籍，各位可以抽空看看【深度学习领域的领军人物Yann LeCunGeoffrey Hinton出品】吗，相信你会有不少的收获。
halcon 深度学习标注_深度学习工业应用: 缺陷检测
weixin_34847198的博客
01-06 1079
本文转自知乎，原文https://zhuanlan.zhihu.com/p/392509081. 应用背景 随着机器视觉，工业自动化的快速发展，工业4.0的概念已经被提上日程。传统很多需要人工来手动操作的工作，渐渐的被机器所替代。这当然也是人类科技进步和发展的必然趋势，工业的进步到头来还是服务于人类，给人类带来高质量的生活体验，而不是整天做着乏味无趣的工作。图一 自动化车间...
基于深度学习的工业缺陷检测（续篇）
weixin_46627194的博客
06-01 860
想啊，想啊，想啊，这次写那个更好呢？为了我们一起学习和减少各位的资料寻找时间，最后我决定下来，搜集资料写一篇《基于机器视觉的工业缺陷检测的论述和展望》的文章（这也是为啥答应的快速更新，最后搞了这么久才更新，说实话），用于我们更加了解这个研究方向，正所谓“”嘛。如果各位觉得这篇文章写的不错或者觉得对你有所收获，还请各位给予一定打赏。“赠人玫瑰，手留余香。”最后，建议各位直接看原文章，文章中我精心标准了各个阶段的具体文献，若有不懂可以直接搜索对应的文献查阅。
机器视觉-深度学习在工业缺陷检测中的应用.zip
11-06
机器视觉与深度学习在工业缺陷检测中的应用是一个前沿且具有广泛应用前景的技术领域。随着工业4.0和智能制造的发展，利用计算机模拟人类视觉功能，对生产线上产品进行实时、精确的质量控制已经成为行业趋势。深度...
深度学习在焊缝缺陷检测的应用研究综述.pdf
08-18
焊缝缺陷检测是工业生产中一个极其重要的环节，特别是在石油化工等对结构完整性和安全要求极高的领域中...随着更多的研究和实际应用，深度学习在焊缝缺陷检测中的应用将越来越广泛，为工业安全提供更加有力的技术支持。
机器学习/深度学习在工业界的应用方向
jieming2002的博客
06-19 6753
概率统计推断：分类/回归（CTR预估，推荐系统）聚类(用户群分析，异常检测)。 平面构成分析：图像识别（包括人脸），计算机视觉 时间序列分析：NLP（包括语音？），计算机听觉。...
基于深度学习的工业系统在线状态监测与诊断方法研究
01-24
很好的论文1111111111111111111111111111111111111111111
基于AI深度学习的缺陷检测系统
01-18 1万+
深度学习技术在工业装备检测系统的实现步骤 步骤1：准备阶段，样本采集。目标缺陷都分布在目标样本中，此时，需要对样本分类进行图片采集。一般在采集的同时通过图像定位，使样本保持在同样的位姿。东莞市精驰技术有限公司（东莞市精驰软件有限公司）针对这一环节专门开发了采集纠正姿态的软件。 步骤2：准备阶段，样本训练。将采集的样本导入到工具软件进行标注划分和训练。东莞市精驰技术有限公司（东莞市精驰软件有限公司）针对这一环节专门开发了一体化的工具软件MindWorks.AI。 步骤3：准备阶段，导入训练模型结果到运行...
如何使用深度学习进行缺陷检测
小白学视觉
04-25 2462
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达机器学习自动检测异常已成为一个有着高度直接影响的有趣且具有潜力的研究领域，特别是在视觉检测领域。深度学习技术已成为此任务的最佳方法。深度学习技术可以通过训练图像数据集来提供一个可以检测表面异常的模型。DAGM数据集中不同背景纹理上的表面缺陷介绍在一些工业中，通过SEM/EDX检查表面或检查材料中的杂质是质量控制的一步。通常，这个...
基于深度学习的缺陷检测算法
m0_44975814的博客
11-21 3184
本文详细阐述了基于深度学习的缺陷检测技术。首先介绍了缺陷检测在工业生产等领域的重要意义，然后深入分析了深度学习中常用的几种神经网络结构如卷积神经网络（CNN）、循环神经网络（RNN）及其变体在缺陷检测中的应用原理。探讨了数据获取与预处理的方法，包括数据集的构建、数据增强技术。同时阐述了模型训练与优化过程，涵盖损失函数的选择、优化算法的使用。此外，还对当前基于深度学习的缺陷检测所面临的挑战和未来发展趋势进行了讨论，旨在为相关领域的研究和实践提供全面的参考。
工业检测深度学习方法综述
qq_60609496的博客
08-09 4106
工业缺陷检测深度学习方法综述
深度学习工业质检系列：深度学习与缺陷检测的性能指标
李是李雅普诺夫的李的博客
03-04 3088
在深度学习领域，通过以精度、召回率、平均精度均值（Mean Average Precision，mAP）和FPS等指标评价目标检测算法的有效性，在图像分割中则主要采用平均像素准确率、平均交并比等指标评价。在工业质检领域的评价指标与深度学习领域类似，只是表述方式有所不同，一般使用漏检率、误检率和准确率等。根据被检测工件的真实情况（OK*和NG*）和检测结果（OK和NG）的不同，可以将缺陷识别的结果分...
深度学习在工业缺陷检测中的应用研究
综上所述，深度学习在工业缺陷检测中的应用具有广阔的前景，它能够有效提高检测的效率和准确性，减少人力成本，并有助于实现智能化工厂的目标。然而，为了充分发挥深度学习在工业缺陷检测中的潜力，还需要持续优化...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值