Automatic Borescope Damage Assessments for Gas Turbine Blades via Deep Learning
University of Cambridge(剑桥大学);Imperial College London(伦敦帝国学院)
为了最大限度地提高燃油经济性,航空发动机中的叶片部件在接近材料极限的情况下运行。恶劣的运行环境会导致压气机和涡轮叶片在使用中损坏,对发动机的性能产生深远而直接的影响。目前的叶片视觉检测方法主要是基于管道镜成像。在这些检查中,对受检部件的判定需要大量的人工努力,缺乏避免人为偏见的系统方法。为了执行快速准确的判决,我们提出了一个基于深度学习的自动工作流程,用于使用管道镜视频检测转子叶片上存在的损坏。基于计算机视觉的最先进方法,我们展示了可以分别为叶片排中的每个叶片提供损坏统计数据,并在两个管道镜视频上演示了工作流程。
2021-02-23 cs.CV eess.IV
Towards automatic smoke detector inspection: Recognition of the smoke detectors in industrial facilities and preparation for future drone integration
Brno University of Technology(布尔诺理工大学);VSB - Technical University of Ostrava(俄斯特拉发技术大学);University of Ostrava(俄斯特拉发大学);Mendel University in Brno(布尔诺孟德尔大学)
本文提出自动检测系统中的烟雾探测器识别方法,通过比较不同检测器在真实与半合成数据上的表现,验证YOLOv11n在烟雾探测器检测中的优越性。
2026-03-25 cs.CV cs.LG cs.RO
Vision System Prototype for Inspection and Monitoring with a Smart Camera
本文设计了一种基于2D BOA-INS智能相机和Arduino Mega嵌入式系统的传送带物体自动检测与监控视觉原型,用于教育场景中模拟连续生产线并实现质量控制教学。
2024-02-20 cs.CV eess.IV
YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly Patterns: A Data-Centric Approach
Faculty of Science, KU Leuven(KU Leuven理学院);Interuniversity Microelectronics Centre (imec)(校际微电子中心);Politecnico di Milano(米兰理工大学)
针对半导体六边形定向自组装图案缺乏高质量标注数据集的问题,提出一种仅需专家最少质控的标注方法,并验证YOLOv8在最终数据集上实现了超过0.9 mAP的缺陷检测精度。
2023-07-28 cs.CV
Algorithms for Object Detection in Substations
Academy of Electrical Engineering Shanghai Jiaotong University(上海交通大学电气工程学院)
针对变电站设备巡检中目标关系未被充分利用的问题,提出结合关系建模与Transformer的关系Transformer模型,在实验中显著优于三种常用模型,推动了自动巡检发展。
2023-09-23 cs.CV eess.IV
Automatic Detection of Epileptiform Discharges in the EEG
Instituto Superior Técnico, Technical University of Lisbon(里斯本高等理工学院,里斯本技术大学)
癫痫的诊断通常包括神经科医生对EEG记录数据的目视检查,目的是检查称为发作间期癫痫样放电的瞬态波形的发生。这些波形的持续时间较短(小于100 ms),因此检查过程通常很耗时,特别是对于动态长期EEG记录。因此,癫痫样放电的自动检测系统可以是神经病学服务的有价值的工具。所提出的方法是一个多阶段的检测算法的发展,它处理完整的EEG信号,并适用于选定的波形的决策标准。它采用了脑电分析技术,如小波变换和拟态分析,辅以基于模糊逻辑的分类。为了评估算法的性能,从几个癫痫患者收集数据,由神经科医生标记癫痫样活动。灵敏度和特异性的平均值分别高于80%和70%。
2016-05-21 cs.CV q-bio.NC
Automatic Wire-Harness Color Sequence Detector
INSIGHT I Q LABS
本文提出了一种半自动化机器视觉系统,用于检测线束中线的位置、连接器极性和颜色序列,通过HSV和RGB颜色域值比较实现高准确率检测,减少44%的检查时间。
2025-12-14 cs.CV eess.IV
A Continual Learning Framework for Adaptive Defect Classification and Inspection
University of Michigan Transportation Research Institute(密歇根大学交通研究所);University of Michigan(密歇根大学);OG Technologies, Inc.(OG技术公司)
本文提出一种用于制造质量检测的持续学习框架,通过构建检测器识别新缺陷类型并动态更新分类器,在降低存储与计算开销的同时实现高效的大批量缺陷分类与未标记样本检测。
2022-03-16 cs.CV cs.LG stat.ML
Automatic Segmentation of Aircraft Dents in Point Clouds
Cranfield University(克兰菲尔德大学)
飞机蒙皮上的凹痕是常见的,并且在适航检查期间可能很容易未被发现,因为其检查过程是繁琐的,并且非常受人为因素和环境条件的影响。如今,3D扫描技术被提出用于更可靠的、不依赖于人类的测量,但检查和报告的过程仍然是费力和耗时的,因为数据采集和验证仍然是由工程师执行的。为了实现凹痕检测的完全自动化,必须通过可靠的分割算法分析采集的点云数据,从而将人类从搜索和评估损坏中解放出来。本文报告了两个自动化凹痕检测的发展。第一种是生成凹陷表面的合成数据集以训练完全卷积神经网络的方法。机器学习算法的训练需要大量的凹痕数据,这是不容易获得的。因此,在波音737结构维修手册的标准和定义范围内,以随机位置和形状模拟凹痕。然后将来自扫描设备的噪声分布添加到训练上,以反映3D点获取的完整过程。第二个命题是将3D点云转换为2.5D的曲面拟合策略。与涉及3D采样方法的最新方法相比,这允许用少量存储器处理更高分辨率的点云。与现有的地面实况数据的模拟表明,所提出的技术达到了80%以上的交集。实验证明,凹痕样本的有效检测与速度超过50万点每秒。
2023-02-24 cs.CV cs.LG eess.IV
Automatic Handgun Detection in X-ray Images using Bag of Words Model with Selective Search
Universidad de Oriente(东方大学)
使用X光检查的行李检查系统对安全至关重要。只有90%的威胁物体是从基于人类检查的X射线系统中识别的。由于图像的复杂性和物体视角的挑战,手动检测需要高度集中。本文提出了一种基于视觉词袋(BoVW)和选择性搜索的手枪目标检测算法,用于GDXray数据库中的单能X射线图像的手枪目标检测。该方法是BoVW用于X射线行李图像上下文的适应。为了评估所提出的方法的算法的有效性识别进行了测试的所有边界框返回的选择性搜索算法在200幅图像。最相关的结果是精密度和真阳性率(PPV = 80%,TPR= 92%)。该方法在手枪识别中取得了良好的效果。此外,这是选择性搜索定位算法首次在行李X射线图像中进行测试,并展示了视觉词袋的可能性。
2019-03-04 cs.CV eess.IV
ModSelect: Automatic Modality Selection for Synthetic-to-Real Domain Generalization
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
提出无监督方法ModSelect,通过计算单模态分类器预测相关性与嵌入域差异来设置阈值,仅选择正向贡献模态,在合成到真实域适应基准上持续提升性能并缩小域差距。
2022-08-19 cs.CV
Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection
National University of Singapore(新加坡国立大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);Northwestern Polytechnical University(西北工业大学);Zhejiang Gongshang University(浙江工商大学);Wuhan University(武汉大学)
针对宫颈数据集规模有限制约自动诊断性能的问题,提出基于原型的跨域知识迁移方法,结合域与类别层面对齐优化,在三个基准数据集上多项指标显著优于现有方法。
2023-08-19 cs.CV
Automatic Error Detection in Integrated Circuits Image Segmentation: A Data-driven Approach
TechInsights Inc.(TechInsights公司)
由于当前集成电路(IC)构建的纳米级结构复杂且IC图像分割任务的容错性低,大多数现有的自动IC图像分割方法需要人类专家进行视觉检查以确保正确性,这是大规模工业应用的主要瓶颈之一。在本文中,我们提出了第一个数据驱动的自动错误检测方法,针对两种类型的IC分割错误:线错误和过孔错误。在从实际工业中收集的IC图像数据集上,我们证明,通过采用现有的基于CNN的图像分类和图像翻译方法,并采用额外的预处理和后处理技术,我们能够分别在导线错误检测和通过错误检测中实现0.92/0.93的召回率/精度。
2022-11-08 cs.CV
The Imaginative Generative Adversarial Network: Automatic Data Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action Recognition
University of Cambridge(剑桥大学)
本文提出想象生成对抗网络(Imaginative GAN),通过近似数据分布自动生成合成样本,以低成本解决骨架动作识别中训练数据不足问题,实验证明其能提升传统网络和最先进方法的分类准确率。
2023-08-10 cs.CV cs.HC
Pose Discrepancy Spatial Transformer Based Feature Disentangling for Partial Aspect Angles SAR Target Recognition
这封信提出了一个新的框架称为Distillum的合成孔径雷达(SAR)的自动目标识别(ATR)的任务。与传统的SAR ATR算法相比,Distillance考虑了一个更具挑战性的实际情况下,非合作目标的训练是不完整的,并在部分范围内的限制,而那些测试样本是无限的。为了解决这个问题,而不是学习的姿态不变的功能,distinctively新涉及一个精心设计的功能去纠缠模型分离的SAR目标的身份,使他们可以独立地控制目标图像的表示过程中学习的姿态因素。为了解开可解释的姿态因子,我们在DistSTN中开发了一个姿态差异空间变换器模块,以通过显式几何模型来表征两个不同目标的因子之间的内在变换。Transformer模块。此外,Distillo开发了一种分期偿还的推理方案,该方案使用编码器-解码器机制实现了高效的特征提取和识别。运动和静止目标捕获和识别(MSTAR)基准测试的实验结果表明,我们提出的方法的有效性。与其他ATR算法相比,Disturbance算法具有更高的识别精度。
2021-03-07 cs.CV
Distinguishing Individual Red Pandas from Their Faces
Sichuan University(四川大学);Chengdu Research Base of Giant Panda Breeding(成都大熊猫繁育研究基地)
个体识别是动物行为学和生态学研究的基础,对保护濒危物种具有重要意义。小熊猫是世界上最稀有的动物之一,目前主要通过视觉检查和微电子芯片来识别,这是昂贵和低效的。基于近年来基于计算机视觉的动物身份识别技术的发展,本文提出了一种基于人脸图像的小熊猫个体自动识别框架。我们通过探索完善的深度学习模型来实现框架,并进行必要的调整,以有效地处理小熊猫图像。基于我们建立的小熊猫图像数据库,我们评估了所提出的小熊猫个体自动识别方法的有效性。评价结果表明,自动识别个体小熊猫从他们的脸有前途的潜力。我们将在公共领域发布我们的数据库和模型,以促进自动动物识别的研究,特别是对小熊猫保护技术的研究。
2019-08-09 cs.CV
An automatic bad band preremoval algorithm for hyperspectral imagery
对于大多数高光谱遥感应用,去除坏波段,如水吸收波段,是一个必要的预处理步骤。目前,常用的方法是通过目视检查,这是非常耗时的,很容易忽略一些噪声带。在这项研究中,我们发现目标检测算法和损坏的频带去除之间的内在联系。作为一个例子,对于匹配滤波器(MF),这是最广泛使用的目标检测方法的高光谱数据,我们提出了一个自动的MF为基础的坏带识别算法。MF检测器是滤波器向量,并且所得到的滤波器输出是由MF系数加权的所有频带的和。因此,我们只能通过使用MF滤波器向量本身来识别坏频带,其条目的绝对值占每个频带对于目标检测的重要性。对于感兴趣的特定目标,具有小MF权重的频带对应于有噪声或坏的频带。基于这一事实,我们开发了一种自动坏带预去除算法,利用MF权重的平均绝对值为场景内的多个目标。实验结果表明,该方法能够有效地识别出通常被人工选择为不良波段的吸水率和其他低信噪比波段。
2016-10-19 cs.CV
Robotic Inspection of Underground Utilities for Construction Survey Using a Ground Penetrating Radar
The City College of New York(纽约城市学院);Hostos Community College(霍斯托斯社区学院)
探地雷达(GPR)是一种非常有用的非破坏性评估(NDE)设备,用于在施工中挖掘和挖沟之前定位和测绘地下资产。本文提出了一种新的机器人系统,自动化的探地雷达数据收集过程中,本地化的地下公用事业,解释和重建的地下对象更好的可视化,让普通的非专业用户了解调查结果。该系统由三个模块组成:1)全方位机器人数据采集平台,该平台携带带有惯性测量单元(IMU)的RGB-D相机和探地雷达天线,进行自动探地雷达数据采集,并在每一采样步为每个探地雷达测量值标记视觉定位信息; 2)基于学习的迁移模块,用于将原始GPR B扫描图像解释为对象的2D横截面模型; GPRNet,生成以精细3D点云表示的地下实用模型。对合成数据和含有各种不完整性和噪声的野外探地雷达原始数据进行了对比研究。实验结果表明,与传统的反投影(BP)偏移方法相比,该方法在平均交大于并(IoU)方面实现了$30.0\%$更高的GPR成像精度,在点云模型重建方面,$6.9\%$ - $7.2\%$的倒角距离(CD)损失比基线方法更小。基于GPR的机器人检测为土木工程师在施工前检测和测量地下设施提供了有效的工具。
2022-04-19 cs.CV eess.IV
A Synthetic-Driven Vision System for Assembly Step Recognition
提出一种利用CAD模型和步骤描述自动生成合成数据训练实时检测模型的系统,通过物理模拟、域随机化和目标检测实现92.4%真实装配准确率。
2026-07-02 cs.CV
TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection
KineticAI Inc.(KineticAI公司);Indian Institute of Science (IISc)(印度科学学院);The University of Findlay(芬德利大学);The University of Toledo(托莱多大学)
钢板表面缺陷的视觉检测是钢板生产过程中必不可少的环节。近年来,基于机器学习的自动视觉检测方法得到了广泛的研究.然而,由于培训时间和AVI方法的不准确性,大多数钢铁制造业仍然使用人工目视检查。自动钢材缺陷检测方法可以用于更便宜和更快的质量控制和反馈。但是准备用于分割和分类的带注释的训练数据可能是一个昂贵的过程。在这项工作中,我们提出使用基于迁移学习的U-网(TLU-网)框架的钢材表面缺陷检测。我们使用U-Net架构作为基础,并探索两种编码器:ResNet和DenseNet。我们比较了使用随机初始化和使用ImageNet数据集训练的预训练网络的性能。实验使用Severstal数据进行。结果表明,迁移学习在缺陷分类中的性能比随机初始化提高了5%(绝对值)。我们发现,迁移学习执行26%(相对)优于随机初始化的缺陷分割。我们还发现迁移学习的增益随着训练数据的减少而增加,并且迁移学习的收敛速度优于随机初始化。
2021-01-18 cs.AI cs.CV cs.LG
SynSur: An end-to-end generative pipeline for synthetic industrial surface defect generation and detection
Fraunhofer IGD(弗劳恩霍夫工业驱动研究所)
本文提出SynSur端到端生成管道,结合视觉-语言模型提示、LoRA适应扩散、掩码引导修复和样本筛选,通过合成数据缓解工业缺陷检测数据稀缺问题,并在跨领域迁移中验证其有效性。
2026-07-23 cs.AI cs.CV
Automatic LiDAR Extrinsic Calibration System using Photodetector and Planar Board for Large-scale Applications
Handong Global University(韩东国际大学);Virginia Tech(弗吉尼亚理工大学)
本文提出了一种新的自动校准系统,估计外部参数的激光雷达安装在一个移动平台上的传感器错位检查在大规模生产的高度自动化的车辆。为了获得亚度和亚厘米级的外部校准精度水平,本研究提出了一种新的概念,目标板与嵌入式光电探测器阵列,命名为PD目标系统,找到对应的激光束在目标表面上的精确位置。此外,所提出的系统只需要简单的设计,目标板在固定的姿态在一个近距离内,很容易适用于汽车制造环境。低分辨率激光雷达的实验评估表明,激光雷达偏移姿态可以估计在0.1度和3毫米的精度水平。所提出的校准系统的高精度和简单性使其适用于大规模应用的可靠性和安全性的自主系统。
2020-08-24 cs.CV eess.IV
Taguchi based Design of Sequential Convolution Neural Network for Classification of Defective Fasteners
Panjab University(旁遮普大学);Nottingham Trent University(诺丁汉特伦特大学)
紧固件在固定机械的各个部件方面起着关键作用。紧固件表面的凹痕、裂纹和划痕等变形是由材料特性和生产过程中对设备的不正确处理造成的。因此,需要进行质量控制,以确保安全可靠的操作。现有的缺陷检查方法依赖于人工检查,这消耗了大量的时间、金钱和其他资源;而且,由于人为错误,准确性不能得到保证。自动缺陷检测系统已被证明比用于缺陷分析的手动检测技术更有效。然而,诸如卷积神经网络(CNN)和基于深度学习的方法之类的计算技术是进化方法。通过仔细选择设计参数值,可以实现CNN的全部潜力。使用田口为基础的实验和分析设计,试图在这项研究中开发一个强大的自动化系统。用于训练系统的数据集已针对具有两个标记类别的M14尺寸螺母手动创建:缺陷和无缺陷。数据集中共有264张图像。所提出的顺序CNN在学习率为0.001时,验证准确率为96.3%,验证损失为0.277。
2022-07-22 cs.AI cs.CV
Using In-Context Learning for Automatic Defect Labelling of Display Manufacturing Data
TCL Corporate Research(TCL企业研究院);TCL China Star Optoelectronics Technology Co., Ltd.(TCL华星光电技术有限公司)
本文提出基于上下文学习和增强SegGPT的显示面板缺陷自动标注系统,通过涂鸦标注和两阶段训练,在保持约60%自动标注覆盖率的同时显著提升IoU和召回率,达到与人工标注数据训练模型相当的性能。
2025-06-05 cs.AI cs.CV cs.LG
Artificial Intelligence Assisted Infrastructure Assessment Using Mixed Reality Systems
University of Central Florida(中佛罗里达大学)
传统的民用基础设施视觉评估方法存在一定的局限性,如采集数据的主观性、检测时间长、人工成本高等。虽然目前采用的一些新技术,即机器人技术,能够收集客观、量化的数据,但在许多情况下,视察员本身的专门知识仍然至关重要,因为这些技术的设计目的不是与人类视察员互动。本研究旨在创建一个智能的,以人为本的方法,为桥梁业主的基础设施检查,维护,管理实践和安全提供显着的贡献。通过开发智能混合现实框架,该框架可以集成到可穿戴全息耳机设备中,例如,桥梁检查员可以自动分析他或她在元件上看到的某种缺陷,例如裂缝,实时显示其尺寸信息以及状态。这种系统可以通过加速检查员的基本任务(例如缺陷测量、状况评估和管理系统的数据处理)来潜在地减少基础设施检查的时间和成本。以人为中心的人工智能将帮助检查员收集更多量化和客观的数据,同时结合检查员的专业判断。这项研究详细解释了所描述的系统和相关方法,将注意力引导的半监督深度学习实施到混合现实技术中,该技术在评估期间与人类检查员进行交互。因此,检查员和AI将协作或通信以改进视觉检查。
2018-12-09 cs.AI cs.CV cs.HC
RetiNet: Automatic AMD identification in OCT volumetric data
University of Bern(伯尔尼大学);Lausanne University(洛桑大学);University Hospital, Lausanne(洛桑大学医院);Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);Bern University Hospital(伯尔尼大学医院)
光学相干断层扫描(OCT)提供了以微米分辨率对眼睛视网膜进行3D成像的独特能力,并使眼科医生能够可视化视网膜疾病,例如视网膜相关性黄斑变性(AMD)。虽然OCT体积的视觉检查仍然是AMD识别的主要方法,但是这样做是耗时的,因为体积内的每个横截面必须由临床医生单独检查。以大致相同的方式,获取每个横截面的地面实况信息是昂贵且耗时的。这一事实严重限制了获取大量基础事实的能力,这随后影响了面向自动病理识别的基于学习的方法的性能。为了避免这种负担,我们提出了一种新的策略,自动分析OCT卷,只需要卷标签。也就是说,我们以半监督的方式训练分类器来执行此任务。我们的方法使用了一种新的卷积神经网络(CNN)架构,该架构只需要训练卷级标签来自动评估OCT卷是否健康或包含AMD。我们的架构涉及首先使用可能被损坏的伪标签学习横截面病理分类器,然后利用这些进行更准确的体积级分类。然后,我们表明,我们的方法提供了一个公开的数据集上的出色性能,并优于一些现有的自动技术。
2016-10-12 cs.CV cs.LG cs.NE
A Dual Adversarial Calibration Framework for Automatic Fetal Brain Biometry
University of Oxford(牛津大学);Amazon(亚马逊);Kings College London(伦敦国王学院)
本文提出了一种新的方法,自动胎儿脑生物测量的动机在低收入和中等收入国家的需要。具体来说,我们利用高端(HE)超声图像来构建低成本(LC)床旁超声图像的生物测量解决方案。我们提出了一种新的无监督域自适应方法来训练深度模型,使其对图像类型之间的显著图像分布变化保持不变。我们提出的方法采用双对抗校准(DAC)框架,由对抗路径组成,这些对抗路径强制模型不变性; i)来自LC图像的特征空间中的对抗扰动,以及ii)外观域差异。我们的双对抗校准方法估计来自低成本超声设备的图像上的经小脑直径和头围,平均绝对误差(MAE)为2.43 mm和1.65 mm,而SOTA分别为7.28 mm和5.65 mm。
2021-08-28 cs.CV cs.LG eess.IV
Automatic Crack Detection in Built Infrastructure Using Unmanned Aerial Vehicles
School of Electrical Mechanical and Mechatronic Systems, University of Technology Sydney, Australia(电气机械与机电系统学院,悉尼技术大学,澳大利亚)
本文提出了一种利用无人机采集数据并结合直方图分析进行建筑基础设施裂缝检测的方法,通过自动化流程提高检测效率并降低安全隐患。
2017-07-31 cs.CV cs.RO cs.SY
Automatic Interpretation of Unordered Point Cloud Data for UAV Navigation in Construction
University of Engineering and Technology(工程大学);Vietnam National University, Hanoi(越南国家大学河内分校);University of Technology Sydney(悉尼技术大学)
本文提出了一种数据处理系统,用于自动为无人机生成航路点,以检查建筑和桥梁等结构表面。系统通过两个正交安装的2D激光扫描仪和惯性测量单元的数据,利用数据注册、表面检测和航路生成算法,实现结构点云重建和航路规划。
2017-02-12 cs.CV cs.RO cs.SY