Multi-model integrated line detection robust to environmental variations using Bayesian optimization

doi:10.1016/j.cie.2026.112343

Multi-model integrated line detection robust to environmental variations using Bayesian optimization

2026-09-02

0

OA

AI

DOI：10.1016/j.cie.2026.112343

原文链接

原文求助

摘要

En 中文

随着工业自动化和基于视觉的检测技术日益普及，对跨多种制造过程的可靠线检测的需求持续增长。然而，实际工业环境涉及光照变化、金属表面反射和纹理多样性，导致单模型线检测器性能波动显著。此外，当数据采集受限时，仅依赖学习的方法可能无法提供足够的环境变化鲁棒性。本研究提出了一种多模型集成的线检测框架，运行多个在独立参数空间中工作的检测器，并使用加权RANSAC结合其互补输出。我们进一步采用以条件风险价值（CVaR）为目标的鲁棒性感知贝叶斯优化，自动推导出对环境变化鲁棒的参数配置。与传统的基于均值的优化不同，该方法直接针对最坏情况性能，据我们所知，这是CVaR基贝叶斯优化首次应用于计算机视觉任务。所提出的方法在从造船厂中期装配焊接环境收集的779张真实工业图像上得到验证，CVaR最高提升33.5%，并在单独的保留验证集上确认了泛化能力。

Keyword:

Line detection

Multi-model integration

Bayesian optimization

Risk-aware optimization

Weighted RANSAC

Industrial inspection

Multi-model integrated line detection robust to environmental variations using Bayesian optimization

摘要

期刊

机构