.png){kind=icon}
返回
Interactive Incremental Defect Detection Framework With Macroprobability-Controlled Adaptive Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TII.2025.3568499.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视觉表面缺陷检测在工业质量控制中发挥着关键作用。基于深度学习的一系列算法已被引入视觉缺陷检测，并取得了显著性能。然而，这些算法通常在检测类别扩展方面适应性不足，这限制了其在处理复杂和动态现实应用场景时的检测能力。为解决此问题，本文提出了一种创新的增量式缺陷检测模型。该模型基于可学习特征融合和动态类别建模，旨在增强模型对新缺陷类别的在线学习和适应性。为有效利用现有数据并优化模型训练过程，本研究引入了一种宏数据概率控制策略，以指导训练数据及模型的合理配置。此外，为提升检测过程中的性能，构建了一种交互反馈机制。该机制在检测过程中实时提供有效数据，驱动模型进行动态训练，并逐步增强其对新出现缺陷类型的识别和适应性。为验证所提算法的实用性和有效性，在多个数据集上进行了全面的对比实验，并建立了一个实际检测平台进行验证。实验结果表明，该算法在实践应用中具有卓越性能和动态适应性。
Keyword:
Interactive and feedback learning
macrodata probability control
object detection
online learning
visual surface defect detection
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
.png){kind=icon}
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏A Review on Recent Advances in Vision-based Defect Recognition towards Industrial Intelligence面向工业智能的基于视觉的缺陷识别研究进展综述
PREAI
分享收藏Bridging the Gap Between Anchor-Based and Anchor-Free Detection via Adaptive Training Sample Selection通过自适应训练样本选择弥合基于锚点和无锚检测之间的差距OAAI
OAAI分享收藏
查看更多内容