Process Integrated Computer Vision for Real-Time Failure Prediction in Steel Rolling Mill
Indian Institute of Technology(印度理工学院)
我们提出了一个长期的部署研究的机器视觉为基础的异常检测系统的故障预测在轧钢厂。该系统集成了工业摄像机,可沿生产线实时的监控设备运行、对准和热棒运动。实时视频流使用深度学习模型在集中式视频服务器上进行处理,能够及早预测设备故障和流程中断,从而降低计划外故障成本。基于服务器的推理最大限度地减少了工业过程控制系统(PLC)的计算负载,支持以最少的额外资源跨生产线进行可扩展部署。通过联合分析来自数据采集系统和视觉输入的传感器数据,系统可以识别故障的位置和可能的根本原因,为主动维护提供可操作的见解。这种集成方法可提高工业制造环境中的操作可靠性、生产率和盈利能力。
2025-10-30 cs.AI cs.CV
A novel integrated industrial approach with cobots in the age of industry 4.0 through conversational interaction and computer vision
Innovation Lab, Exprivia S.p.A.(创新实验室,埃克斯普里维亚股份公司);QuestIT S.r.l.(奎斯特信息技术有限责任公司)
针对机器人自动化新趋势对零部件制造商的挑战,提出集成Cobot、AI与人类的新型工业协作方法,通过精准物理作业、信息分析决策与战略眼光实现紧密协作。
2024-02-16 cs.CL cs.CV cs.LG
Semi-Automated Computer Vision based Tracking of Multiple Industrial Entities -- A Framework and Dataset Creation Approach
TU Dortmund University(多特蒙德工业大学)
本文提出TOMIE框架及数据集,利用六台RGB相机实现工业实体连续跟踪,创建包含超11万帧标注的数据集,并验证三种跟踪算法的有效性。
2023-04-03 cs.CV
Beyond Academic Benchmarks: Critical Analysis and Best Practices for Visual Industrial Anomaly Detection
Valeo(法雷奥);Intel(英特尔)
本文批判性分析视觉工业异常检测,强调真实数据基准与实用指标,提出三项贡献以弥合学术与工业差距。
2025-03-30 cs.CV
BlendTorch: A Real-Time, Adaptive Domain Randomization Library
Profactor GmbH(Profactor有限公司);JKU(约翰内斯开普勒大学)
通过深度学习技术解决复杂的计算机视觉任务依赖于大量的(监督)图像数据,这些数据通常在工业环境中不可用。缺乏训练数据开始阻碍计算机视觉中最先进的方法成功转移到工业应用中。我们介绍了BlendTorch,一个自适应域随机化(DR)库,以帮助创建无限流的合成训练数据。BlendTorch通过大规模随机化低保真度模拟来生成数据,并负责分发人工训练数据,以便实时的【形】进行模型学习。我们发现,与真实或照片般逼真的数据集相比,使用BlendTorch训练的模型在工业目标检测任务中的表现更好。
2020-10-06 cs.CV cs.LG
Generative AI for Industrial Contour Detection: A Language-Guided Vision System
The University of Chicago(芝加哥大学);FabTrack
针对工业视觉受噪声等因素影响的问题,提出含三阶段的语言引导生成式轮廓检测系统,在FabTrack数据集上提升了轮廓精度,且GPT-image-1在精修阶段表现优于Gemini 2.0 Flash,为工业视觉发展提供新路径。
2025-08-29 cs.AI cs.CV
Privacy-Preserving Computer Vision for Industry: Three Case Studies in Human-Centric Manufacturing
本文提出一种隐私保护的计算机视觉框架,通过三个工业案例验证,展示如何在监控中减少隐私风险,为人类导向的AI应用提供指导。
2025-12-10 cs.AI cs.CV
Computer vision system to count crustacean larvae
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
截至2017年,鱼类产品约占全球人类饮食的16%。计数操作是种植和生产这些产品的重要组成部分。养殖者必须准确地计算鱼的数量,为此需要技术解决方案。开发了两套用于工业池塘中甲壳类幼体自动计数的计算机视觉系统。第一个系统包括一个分辨率为3024X4032的iPhone 11摄像头,它可以在室内条件下从工业池塘中获取图像。利用该系统进行了两个实验,第一个实验包括在特定照明条件下使用iPhone 11相机在生长阶段9、10在一天内采集的200幅图像。在第二个实验中,使用iPhone 11和SONY DSCHX90V相机拍摄了一个幼虫工业池塘11天。对于第一个设备(iPhone 11),测试了两种照明条件。在每种情况下,采集110张图像。该系统的图像检测准确率为88.4%。第二个系统包括具有2000X2000分辨率的数码单反尼康D510相机,使用该相机在工业池塘外进行了七个实验。在幼虫生长阶段的第1天获取图像,从而获得总共700个图像。该系统在密度为50时的准确率为86%。基于YOLOv5 CNN模型,针对这两种情况开发了自动计数幼虫数量的算法。此外,在这项研究中,幼虫生长函数。每天,从工业池塘手动取出几只幼虫并在显微镜下分析。一旦确定了生长阶段,就获得了幼虫的图像。每个幼虫的长度都是从图像中手动测量的。最合适的模型是Gompertz模型,拟合优度指数R平方为0.983。
2022-09-13 cs.CV eess.IV
SynGen-Vision: Synthetic Data Generation for training industrial vision models
Accenture Labs(埃森哲实验室)
针对工业磨损检测数据匮乏的问题,提出结合视觉语言模型与3D仿真渲染引擎的SynGen-Vision合成数据生成方法,生成锈蚀数据训练的模型mAP50达0.87,优于现有方法且可扩展。
2025-09-05 cs.CV cs.LG
Exploiting skeletal structure in computer vision annotation with Benders decomposition
Beijing A&E Technologies(北京A&E科技公司);University of Pennsylvania(宾夕法尼亚大学);Experian Data Lab(益博睿数据实验室)
计算机视觉中的许多标注问题都可以用整数线性规划来描述。标准工业求解器的使用不利用这些问题的底层结构,例如姿势估计中的骨架。底层结构的杠杆作用与工业求解器相结合,有望提高速度和准确性。这种结构可以使用Bender分解来利用,这是一种来自运筹学的技术,通过将复杂的ILP或混合整数线性规划分解为通过主问题进行通信的子问题来解决它们。直觉是,在一个小的变量子集的条件下,其余变量的解决方案可以很容易地计算利用ILP约束矩阵的属性,如块结构。在本文中,我们将Benders分解应用于计算机视觉中的一个典型问题,其中我们有许多子ILP(例如,检测,身体部位的分区)耦合到主ILP(例如,构建骨架)。将推理问题划分为主问题和子问题激发了计算机视觉领域大量新颖模型和推理方法的发展。
2017-09-13 cs.CV
Deep Learning Strategies for Industrial Surface Defect Detection Systems
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
深度学习方法已被证明在图像处理的各个领域优于传统的计算机视觉方法。然而,由于训练数据量不足、数据生成过程昂贵、体积小、表面缺陷很少出现,深度学习在工业表面缺陷检测系统中的应用具有挑战性。从文献和聚合物产品制造用例中,我们确定了反映上述挑战的设计要求。为了解决这些问题,我们通过深度学习研究来概念化设计原则和功能。最后,我们实例化和评估所获得的设计知识的形式,可操作的指导方针和策略的基础上,工业表面缺陷检测用例。因此,本文通过以下方式为学术界和实践做出贡献:(1)系统地识别基于深度学习的表面缺陷检测的工业应用面临的挑战,(2)克服这些挑战的策略,以及(3)评估策略适用性和有用性的实验案例研究。
2021-09-23 cs.CV
InspectVLM: Unified in Theory, Unreliable in Practice
Zeitview
本文通过InspectVLM评估统一视觉语言模型在工业检测中的可行性,发现其在细粒度检测和鲁棒性上不及传统ResNet模型,表明当前VLM缺乏精度关键场景所需的视觉基础。
2025-08-03 cs.CV
Do Datasets Have Politics? Disciplinary Values in Computer Vision Dataset Development
University of Colorado Boulder(科罗拉多大学博尔德分校);Google Research(谷歌研究院)
数据是机器学习的重要组成部分。该领域依赖于数据来训练、验证和测试模型。随着技术能力的提高,机器学习研究在学术和行业环境中蓬勃发展,其中一个主要焦点是计算机视觉。计算机视觉是机器学习的一个流行领域,越来越多地与现实世界的应用相关,从警务中的面部识别到自动驾驶车辆的目标检测。鉴于计算机视觉倾向于塑造机器学习研究并影响人类生活,我们试图了解围绕数据集文档的学科实践-数据如何收集,策划,注释和打包成数据集,供计算机视觉研究人员和从业者用于模型调整和开发。具体来说,我们研究了什么数据集文档传达了视觉数据的潜在价值以及计算机视觉作为一个领域的更大实践和目标。为了进行这项研究,我们收集了大约500个计算机视觉数据集的语料库,从中我们在不同的视觉任务中抽取了114个数据集出版物。通过结构化和主题内容分析,我们记录了一些关于公认的数据实践的价值观,是什么使数据成为理想的数据,以及在数据集构建过程中对人类的处理。我们讨论了计算机视觉数据集作者如何以牺牲护理为代价来重视效率;以牺牲上下文为代价来重视普遍性;以牺牲位置性为代价来重视公正性;以牺牲数据工作为代价来重视模型工作。我们发现的许多沉默的价值观与社会计算实践相对立。最后,我们提出了如何更好地将沉默值纳入数据集创建和管理过程的建议。
2021-09-16 cs.CV cs.HC
Material Measurement Units for a Circular Economy: Foundations through a Review
Queen’s University Belfast(贝尔法斯特女王大学)
矿物和工业材料的长期供应是可持续发展的必要条件,因为它们是任何制造产品的组成部分。为了提高材料管理的效率,我们定义了一个基于计算机视觉的材料测量系统,并回顾了与其发展相关的工作,特别强调了基础。还包括一个广域材料库存监测系统网络。最后,我们讨论了挑战和未来的研究方向。作为连接工业生态学和先进计算机视觉的第一篇文章,这篇综述旨在支持两个研究团体实现更可持续的制造。
2022-04-26 cs.CV
Building Robust Industrial Applicable Object Detection Models Using Transfer Learning and Single Pass Deep Learning Architectures
KU Leuven(鲁汶大学)
深度学习在计算机视觉和人工智能中的上升趋势不容忽视。在最多样化的任务中,从识别和检测到分割,深度学习能够获得最先进的结果,达到一流的性能。在本文中,我们将探讨专用于目标检测任务的深度卷积神经网络如何使用最先进的开源深度学习框架(如Darknet)来改善我们面向工业的目标检测管道。通过使用一种深度学习架构,该架构在单次运行中集成了区域建议、分类和概率估计,我们的目标是获得实时性能。我们专注于通过探索迁移学习来大幅减少所需的训练数据量,同时仍然保持较高的平均精度。此外,我们将这些算法应用到两个工业相关的应用程序,一个是眼动跟踪数据中的促销板的检测和其他检测和识别包装的仓库产品的增强广告。
2020-07-09 cs.CV
Advancements in Point Cloud-Based 3D Defect Detection and Classification for Industrial Systems: A Comprehensive Survey
Aalborg University(奥尔堡大学)
本文全面综述了基于深度学习和3D点云的工业系统状态监测方法,重点探讨了缺陷形状分类与分割技术,并分析了现有方法的优缺点,以促进剩余使用寿命框架下的工业维护。
2024-07-23 cs.CV
How Computer Science Can Aid Forest Restoration
University of Cambridge(剑桥大学);University of Waterloo(滑铁卢大学)
世界面临两个相互关联的危机:气候变化和生物多样性丧失。在退化土地和剩余耕地上恢复森林,可在固碳和重建生物多样性方面发挥重要作用。有相当多的研究和实践涉及森林恢复问题。然而,计算机科学家几乎没有将强大的计算技术应用于这一重要领域的工作,这可能是由于缺乏意识。在试图弥合这一差距,我们提出了我们的愿景,如何从计算机科学技术,广义上说,可以帮助目前的做法,在森林恢复。
2021-08-12 cs.CV cs.CY
STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection
Northeastern University(东北大学);Nanjing Enbo Technology Co., Ltd.(南京恩博科技有限公司)
工业烟雾排放对自然生态系统和人类健康构成严重威胁。现有的研究表明,利用计算机视觉技术识别烟雾是一种成本低、方便的方法。然而,工业烟雾检测是一项具有挑战性的任务,因为工业排放颗粒通常在烟囱或设施外迅速衰减,并且蒸汽与烟雾非常相似。为了克服这些问题,提出了一种新的时空交叉网络(STCNet)识别工业烟雾排放。建议的STCNet涉及一个空间路径来提取纹理特征和时间路径来捕获烟雾运动信息。我们假设空间和时间路径可以相互引导。例如,空间路径可以很容易地识别出树木和建筑物等明显的干扰,而时间路径可以突出烟雾运动的模糊痕迹。如果这两条路径能够相互引导,将有助于烟雾探测性能的提高。此外,我们设计了一个高效简洁的时空双金字塔结构,以确保更好地融合多尺度时空信息。最后,在公共数据集上的广泛实验表明,我们的STCNet在具有挑战性的RISE工业烟雾检测数据集上取得了明显的改进,与最佳竞争对手相比提高了6.2%。该代码将在https://github.com/Caoyichao/STCNet上提供。
2020-11-10 cs.CV