.png){kind=icon}
返回
Enhancing quality control in die-casting with ensemble-based computer vision methods
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114850.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业4.0的转型导致了智能制造的广泛采用，其中人工智能和机器学习等先进技术被用于优化生产过程。制造业中的质量控制面临重大挑战，尤其是在检测不可见缺陷方面。本文提出了一种新颖的方法，通过热成像图像分析来改进汽车发动机缸体生产中压铸机的质量保证。具体而言，我们验证了模具中在零件取出后立即捕捉到的热模式是否可以作为制造组件内部缺陷的指标，从而避免昂贵且耗时的泄漏测试。我们的方法采用堆叠集成作为其核心。该集成整合了卷积神经网络和视觉Transformer，利用它们的互补优势进行缺陷检测。然后进行集成和阈值选择过程，以识别适用于缺陷和非缺陷零件的最优分类器。基于用于制造4缸发动机缸体的模具的热成像图像的实验结果表明，所提出的框架可以确保高达63.3%的组件内部质量，置信度较高。这一结果显著减少了依赖泄漏测试，说明了实时、低成本决策过程的可行性，该过程减少了瓶颈并提高了整体制造效率。
Keyword:
Deep learning
Die casting
Ensemble
Computer vision
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Deep Transfer Learning With Self-Attention for Industry Sensor Fusion Tasks面向工业传感器融合任务的自关注深度迁移学习.png)
IEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly DetectionMVTec异常检测数据集: 用于无监督异常检测的全面真实数据集OAAI
OAAI分享收藏Machine learning applied in production planning and control: a state-of-the-art in the era of industry 4.0机器学习在生产计划和控制中的应用: 工业4.0时代的最新技术OAAI
OAAI分享收藏Deep 3D-LBP: CNN-based fusion of shape modeling and texture descriptors for accurate face recognitionVISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏分享收藏
查看更多内容