Использование глубокого обучения для обнаружения дефектов в производстве: всесторонний обзор и современные проблемы
Using Deep Learning to Detect Defects in Manufacturing: A Comprehensive Survey and Current Challenges
2020-12-16
SCID: 54.1/mb3euqby
Discuss with AI
глубокое обучениемашинное зрениеобнаружение дефектов в производствеобнаружение малых объектовультразвуковой контроль
Figures from the paper
Abstract (AI)
Обнаружение дефектов продукции имеет важное значение для контроля качества в производстве. В исследовании представлен обзор современных методов глубокого обучения для обнаружения дефектов. Во-первых, дефекты продукции, включая электронные компоненты, трубы, сварные соединения, текстильные материалы и другие изделия, классифицируются по категориям. Во-вторых, рассматриваются основные современные методы и методы глубокого обучения для обнаружения дефектов, а также описываются их характеристики, преимущества и недостатки. В-третьих, обобщаются и анализируются применения ультразвукового контроля, фильтрации, глубокого обучения, машинного зрения и других технологий, используемых для обнаружения дефектов, с акцентом на три аспекта, а именно методы и экспериментальные результаты. Для более глубокого понимания трудностей в области обнаружения дефектов исследуются функции и характеристики существующего оборудования, применяемого для этой задачи. Обобщаются основные идеи и исходные коды исследований, посвящённых высокоточному обнаружению, высокоточному позиционированию, быстрому обнаружению, обнаружению малых объектов, обнаружению объектов на сложном фоне, обнаружению частично закрытых объектов и ассоциации объектов. Наконец, рассматриваются текущие достижения и ограничения существующих методов, а также современные исследовательские проблемы, чтобы помочь научному сообществу, занимающемуся обнаружением дефектов, сформировать дальнейшую повестку будущих исследований.
Key Findings
1
Рассматриваются основные методы обнаружения дефектов на основе глубокого обучения, включая их характеристики, преимущества, недостатки и экспериментальные результаты.
2
Обобщаются методы и коды для высокой точности, точного позиционирования, быстрого обнаружения, малых объектов, сложного фона, перекрытий и ассоциации объектов.
3
Исследуются ультразвуковой контроль, фильтрация, глубокое обучение, машинное зрение и другие технологии обнаружения производственных дефектов.
4
Обзор классифицирует производственные дефекты в таких изделиях, как электронные компоненты, трубы, сварные детали и текстильные материалы.
5
Обзор выделяет достигнутые результаты, ограничения, особенности оборудования и нерешённые задачи для определения направлений дальнейших исследований.
Research Object
Обнаружение дефектов в производимых изделиях (электронные компоненты, трубопроводы, сварные изделия, текстильные материалы) с использованием методов глубокого обучения и сопутствующих сенсорных технологий
Research Subject
Методы обнаружения дефектов на основе глубокого обучения, их эффективность, ограничения и проблемы применения в контроле качества производства
Publication Details
Publication Date
2020-12-16
Journal
Publisher
ISSN
Cited by
514
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Градиентное обучение для распознавания документов1998
Генеративные состязательные сети: обзор2018
Обзор последних достижений в обнаружении поверхностных дефектов с использованием методов анализа текстур2008
Автоматическое обнаружение дефектов крепежных элементов устройств поддержки контактной сети с использованием глубоких сверточных нейронных сетей2017
Подходы к выявлению и классификации дефектов на основе визуального контроля для промышленных применений — ОБЗОР2020
Применение ультразвуковых методов в нефтегазовой трубопроводной промышленности: обзор2015
Работы, цитирующие эту статью5
От YOLO-v1 до YOLO-v8: развитие YOLO и его взаимодополняющая роль в цифровом производстве и обнаружении промышленных дефектов2023
Интеллектуальный контроль качества в производстве на основе искусственного интеллекта2023
Методы глубокого обучения и компьютерного зрения для повышения качества контроля в производственных процессах2024
Применение искусственного интеллекта в материаловедении с особым акцентом на топливные элементы и электролизёры2024
Комплексный обзор обнаружения дефектов материалов на основе машинного обучения2025