.png){kind=icon}
返回
Using Computer Vision Methods for AlSiC Products Quality Control
.png){kind=icon}
PRE
AI
DOI：10.3103/S1060992X25700250.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文探讨了计算机视觉在产品质量控制中的应用，重点关注在有限数据集下进行表面缺陷检测的挑战。由AlSiC复合材料制成的基板是一个很好的例子。为解决样本量小的问题，采用了数据增强和迁移学习技术，在公开的裂纹数据集上预训练模型。该方法的核心是利用YOLOv8-OBB目标检测器，因其支持定向边界框，这对精确捕捉如裂纹等细长缺陷至关重要。此外，为提高检测可靠性，提出了一种结合同一物体不同角度拍摄的多幅图像结果的方法。这种多视角分析能够降低检测置信度阈值，提高真正例率。因此，本文提出的技术是YOLOv8-Obb、数据增强、迁移学习和多视角分析的组合。该提议的系统在专门的AlSiC产品数据集上进行了测试，实现了超过80%的缺陷检测率，误报概率约为1%。结果表明，在专业工业应用中，使用现代基于神经网络的检测器进行自动化视觉检测是可行的。
Keyword:
computer vision
neural networks
deep learning
composite materials
AlSiC
defects
期刊
O
IF:
0.8
论文数:
65
被引数:
233
机构
引用论文
.png){kind=icon}
Research of neural network algorithms for recognizing railway infrastructure objects in video images
PREAI
分享收藏Detection of surface defects in welded joints during visual inspections using machine vision methods
PREAI
分享收藏Comparative analysis of neural network models performance on low-power devices for a real-time object detection taskZagitov, A.; Chebotareva, E.; Toschev, A.; Magid, E. 对实时目标检测任务中低功耗设备上神经网络模型性能的对比分析。Comput. Opt. 2024, 48, 242–252. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容