洞察纵观鸿蒙next版本,如何凭借FinClip加强小程序的跨平台管理,确保企业在数字化转型中的高效运营和数据安全?
1374
2022-11-23
Defect Detection论文合集、代码和数据集
文章目录
2019
(划痕)Segmentation-Based Deep-Learning Approach for Surface-Defect DetectionONLINE PCB DEFECT DETECTOR ON A NEW PCB DEFECT DATASET
2020
PCB Defect Detection Using Denoising Convolutional Autoencoders
2020
(划痕)End-to-end training of a two-stage neural network for defect detectionSame Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows
2021
ChangeChip: A Reference-Based Unsupervised Change Detection for PCB Defect DetectionA Cascaded Zoom-In Network for Patterned Fabric Defect DetectionFastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing FlowsTowards Total Recall in Industrial Anomaly Detection(划痕)Mixed supervision for surface-defect detection: from weakly to fully supervised learningSemi-orthogonal Embedding for Efficient Unsupervised Anomaly Segmentation
数据集参考资料
2019
(划痕)Segmentation-Based Deep-Learning Approach for Surface-Defect Detection
code: PCB DEFECT DETECTOR ON A NEW PCB DEFECT DATASET
code: Defect Detection Using Denoising Convolutional Autoencoders
2020
(划痕)End-to-end training of a two-stage neural network for defect detection
code: Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows
code: 制造误差的检测对制造过程中确保产品质量和安全标准至关重要。由于许多缺陷很少发生,而且其特征大多先验未知,它们的检测仍然是一个开放的研究问题。为此,我们提出了差异网:它利用卷积神经网络提取的特征的描述性,使用归一化流来估计它们的密度。规范化流非常适合于处理低维数据分布。然而,他们却在与图像的高维性作斗争。因此,我们采用了一个多尺度的特征提取器,使归一化流能够为图像分配有意义的可能性。基于这些可能性,我们开发了一个指示缺陷的评分函数。此外,将分数传播回图像中,可以实现像素级定位。为了实现较高的鲁棒性和性能,我们在训练和评估中利用了多种转换。与大多数其他方法相比,我们的方法不需要大量的训练样本,并且在低至16张图像时表现良好。
2021
ChangeChip: A Reference-Based Unsupervised Change Detection for PCB Defect Detection
code: 电子设备的使用不断增加,并在生活的大多数方面占主导地位。表面安装技术(SMT)是制造电气器件的最常见的工业方法,其中电气元件被直接安装在印刷电路板(PCB)的表面上。虽然电子设备的扩张以一种有效的方式影响了我们的生活,但这些设备的制造程序中的故障或缺陷也可能适得其反,甚至在某些情况下有害。因此,确保电子设备和其生产的零缺陷质量是理想的,有时也是至关重要的。虽然传统的图像处理(IP)技术不足以产生一个完整的解决方案,其他有前途的方法如深度学习(DL)也可能PCB检查挑战,主要是因为这些方法需要大足够的数据集缺失,不可用或不更新在快速增长的多氯联苯。因此,PCB检查通常是由人类专家手动进行的。无监督学习(UL)方法可能可能适用于PCB检查,一方面具有学习能力,另一方面不依赖于大数据集。在本文中,我们介绍了一种基于计算机视觉(CV)和UL的自动和集成的变化检测系统,从焊接缺陷到缺失或错位的电子元件。在不同设置下,通过在金色PCB(参考)图像和检查PCB之间应用无监督变化检测,实现了高质量的缺陷检测。在这项工作中,我们还提出了CD-PCB,一个合成的标记数据集的20对PCB图像,用于评估缺陷检测算法。
A Cascaded Zoom-In Network for Patterned Fabric Defect Detection
摘要: 目前,深度卷积神经网络(DCNNs)广泛应用于结构缺陷检测,需要昂贵的训练成本和复杂的模型参数。通过观察到大多数织物在实践中是无缺陷的,提出了一种两步级联放大网络(CZI-Net)用于图形织物缺陷检测。在CZI-Net中,我们使用聚合的HOG(A-HOG)和SIFT特征来代替简单的卷积滤波器进行特征提取。此外,为了提取更明显的特征,在CZI-Net中包含了特征表示层和全连接层。在实践中,大多数无缺陷的织物只涉及到我们的方法的第一步,而避免了第二步的协同计算,这使得织物检测非常快。更重要的是,我们在第一步中提出了局部约束重构误差(LCRE),在第二步中提出限制性局部约束编码(RLC)、指标包(BoI)方法。我们还分析了不同编码方法之间的联系,得出视觉词指数在编码方法中起着至关重要的作用。综上所述,基于真实数据集的实验结果表明,该方法不仅计算简单,而且具有较高的检测精度。
FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows
code : Total Recall in Industrial Anomaly Detection
code: 能够发现有缺陷的部件是大规模工业制造的关键组成部分。我们在这项工作中解决的一个特别挑战是冷启动问题:仅使用名义(无缺陷)示例图像拟合模型。虽然每个类都有手工解决方案是可能的,但目标是自动构建在许多不同任务上同时工作的系统。最好的数据建模方法将来自ImageNet模型的嵌入与离群值检测模型结合起来。在本文中,我们对这一工作方向进行了扩展,并提出了补丁核心,它使用了一个具有最大代表性的名义补丁特征的内存库。PatchCore提供了竞争性的推理时间,同时实现了最先进的检测和定位性能。在标准数据集MVTecADPatchCore上,实现了99.1%的图像级异常检测AUROC得分,与第二大竞争对手相比,误差减少了一半以上。我们进一步报告了在两个额外的数据集上的竞争结果,也在少数样本制度下发现了竞争结果。
(划痕)Mixed supervision for surface-defect detection: from weakly to fully supervised learning
code: Embedding for Efficient Unsupervised Anomaly Segmentation
数据集
THE MVTEC ANOMALY DETECTION DATASET
参考资料
https://github.com/Charmve/Surface-Defect-Detection
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~