.png){kind=icon}
返回
A continuous learning framework for reliable defect segmentation with pixel-level uncertainty quantification
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04173-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
构建能够反映实时生产状态的高保真度数字孪生对于实现智能制造至关重要。然而，基于深度学习的底层感知模型面临严峻挑战。一个主要限制在于缺乏预测不确定性估计，这损害了虚拟映射的保真度。另一个关键问题是生产线上标注数据的匮乏，这阻碍了感知系统与持续演变的物理过程保持动态同步。为克服这些挑战，提出了一种预测风险自感知机制以提升模型保真度。该机制基于贝叶斯U-Net，并整合了一种新颖的“不确定性-误差相关损失”，明确驱动虚拟模型学习预测误差与不确定性之间的内在关联。这一设计使映射结果的自主可靠性评估即使在缺乏真实标签的情况下也能实现。在此基础上，开发了一种基于数据流的主动学习系统以解决动态同步问题，作为持续模型演化的引擎。通过利用自感知获取的不确定性，该系统建立了一个智能反馈循环：当新样本被检测到“低置信度”时，会触发警报，提示工程师提供标注。随后将新获取的高价值数据用于模型更新。在两个工业缺陷检测数据集上的实验评估表明，所提出的框架在赋予感知模型预测风险自感知能力及实现高效自适应学习方面优于现有方法。本研究为构建高保真度且自适应的工业质量数字孪生提供了创新性方法论和使能技术，在标注数据匮乏的实际生产场景中具有显著的应用价值。
Keyword:
Interpretable machine learning
Pixel-level uncertainty quantification
Bayesian deep learning
Active learning of image dataset
Manufacturing quality assessment
Digital twin for quality assurance
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
Crop-paste and diffusion-based semi-supervised segmentation network for metal defect detection基于作物粘贴和扩散的半监督金属缺陷检测分割网络
PREAI
分享收藏
Trustworthy Bayesian deep learning framework for uncertainty quantification and confidence calibration: Application in machinery fault diagnosis用于不确定性量化和置信度校准的可信贝叶斯深度学习框架: 在机械故障诊断中的应用
PREAI
分享收藏Enhancing IC substrate manufacturing through differential geometry and lightweight networks for etching defect detection通过微分几何和轻量化网络增强IC基板制造中的刻蚀缺陷检测
PREAI
分享收藏A high-accuracy and lightweight detector based on a graph convolution network for strip surface defect detection基于图卷积网络的高精度轻量化带钢表面缺陷检测装置
PREAI
分享收藏Calibration of deep probabilistic models with decoupled bayesian neural networks基于解耦贝叶斯神经网络的深度概率模型标定.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation通过不确定性估计纠正伪标签学习，用于领域自适应语义分割
PREAI
分享收藏
查看更多内容