.png){kind=icon}
返回
Optimised deep learning framework for glass defect detection using ResNet50V2 and Bayesian Optimisation
.png){kind=icon}
PRE
AI
DOI：10.1080/14484846.2026.2669008.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
确保玻璃产品质量的高效生产在现代制造业中至关重要，因为即使是轻微的缺陷（如划痕、裂纹或表面不规则）也会显著影响安全性、性能和可用性。传统的视觉检测方法劳动强度大、耗时且易出错，因此迫切需要自动化、可靠的缺陷检测系统。本研究的主要目标是开发一个高效的基于深度学习（DL）的框架，以准确对有缺陷和无缺陷的玻璃产品进行二元分类，同时解决缺陷可见性差、光照条件变化和数据集不平衡等局限性。此外，本研究旨在使用智能优化技术评估不同超参数设置下的模型性能。所提出的工作采用残差网络50版本2（ResNet50V2）卷积神经网络（CNN）进行缺陷分类，并辅以一个全面的预处理流程，包括调整大小、归一化、灰度转换和数据增强。贝叶斯优化（BO）被集成以微调关键超参数，确保最佳学习效率和改进泛化能力。该框架使用精选的玻璃缺陷数据集进行训练，并通过标准性能指标进行评估，以证明其在真实工业检测场景中的鲁棒性和适用性。实验结果表明，优化的ResNet50V2-BO模型实现了98.36%的准确率，以及缺陷类别的98%精确率、93%召回率和95% F1分数。混淆矩阵和PR曲线进一步证实了该模型可靠区分细微表面缺陷的能力。这些发现凸显了所提出方法作为玻璃制造业中快速、可靠、可扩展的自动化质量控制解决方案的潜力。
Keyword:
Glass defect classification
Bayesian Optimisation
Gaussian Process (GP)
deep learning
ResNet50V2
Bayesian Optimisation
Gaussian Process (GP)
deep learning
期刊
A
IF:
1.3
论文数:
44
被引数:
902
机构
引用论文
Artificial Intelligence: Implications for the Agri-Food Sector人工智能: 对农业食品部门的影响.png)
AGRONOMY-BASEL
OAAI
AGRONOMY-BASELIF3.4
OAAI分享收藏Machine learning based thermal imaging damage detection in glass-epoxy composite materialsCOMPOSITE STRUCTURES
OAAI
COMPOSITE STRUCTURESIF7.1
OAAI分享收藏RCA: YOLOv8-Based Surface Defects Detection on the Inner Wall of Cylindrical High-Precision PartsRCA：基于YOLOv8的圆柱高精度零件内壁表面缺陷检测
PREAI
分享收藏A Novel Hybrid Optimization Approach for Fault Detection in Photovoltaic Arrays and Inverters Using AI and Statistical Learning Techniques: A Focus on Sustainable EnvironmentProcessesOAAI
ProcessesIF0
OAAI分享收藏Validating the Use of Smart Glasses in Industrial Quality Control: A Case Study验证智能眼镜在工业质量控制中的应用：一项案例研究
PREAI
分享收藏Machine vision-based cutting process for LCD glass defect detection system基于机器视觉的LCD玻璃缺陷检测系统的切割工艺
PREAI
分享收藏A Real-Time Automated Defect Detection System for Ceramic Pieces Manufacturing Process Based on Computer Vision with Deep LearningSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容