.png){kind=icon}
返回
Resource-Efficient Surface Defect Detection on Edge Devices Using a Hybrid Descriptor Framework with Data-Driven Feature Selection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15173915.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对生物外壳、光伏板和路面基础设施等多样化表面类型的表面缺陷检测对于工业质量控制与结构健康监测至关重要。尽管深度学习（DL）模型在该领域表现良好，但其高计算和内存需求限制了在资源受限边缘设备上的部署。为解决此问题，本文提出了一种计算高效的特征级提取框架，结合局部二值模式（LBP）、Gabor滤波器和离散小波变换（DWT）以捕获表面缺陷的互补纹理、方向和频率特征。AdaBoost驱动的特征选择策略将高维混合特征池缩减为25个最具判别性的属性，并应用SHapley Additive exPlanations（SHAP）分析解释特征贡献。所提框架在EggCrack数据集上实现100%准确率，在更具挑战性的ELPV数据集上达到79.0%准确率。在ELPV上，其优于MCU优化的MCUNet-In0（78.16%），且与EfficientNetV2-B0（83.16%）的差距仅4.16个百分点，同时计算量（FLOPs）减少约7577倍、模型体积缩小89倍。部署在Raspberry Pi 5 CPU上时，框架实现每幅图像37 ms的端到端推理时间，支持实时检测。结果表明，所提混合描述符与选择框架为基于CPU的边缘设备实时表面缺陷检测提供了理想的准确率-效率平衡。
Keyword:
edge intelligence
surface defect detection
hybrid feature fusion
data-driven selection
resource-efficient computing
explainable AI
real-time image processing
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
A Comprehensive Review of Convolutional Neural Networks for Defect Detection in Industrial Applications工业应用中用于缺陷检测的卷积神经网络的综合评述.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Internal Feature Selection Method of CSP Based on L1-Norm and Dempster-Shafer Theory基于L1-Norm和dempster-shafer理论的CSP内部特征选择方法
OAAI
OAAI分享收藏Advances in Machine Learning and Hyperspectral Imaging in the Food Supply Chain机器学习和高光谱成像在食品供应链中的研究进展OAAI
OAAI分享收藏FPGA-Based Three Edge Detection Algorithms (Sobel, Prewitt and Roberts) Implementation for Image Processing阿卜杜拉, H.A.T.; 马哈茂德, R.Z.; 阿尔哈吉·泽伯, S.M.; A.穆罕默德, R.; 阿赫迈德, M.R.; 塔拉布, A.W. 基于FPGA的三种边缘检测算法(Sobel、Prewitt和Roberts)在图像处理中的实现. Przegl. Elektrotech. 2024, 2, 29–33. [Google Scholar] [CrossRef] [Scilit]
PREAI
分享收藏Flexible and Fully Quantized Lightweight TinyissimoYOLO for Ultra-Low-Power Edge SystemsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容