增强的SSD框架用于在有限的样本条件下使用变量贝叶斯推理检测香烟外观缺陷
Shichao Wu1, Xianzhou Lv2, Yingbo Liu1
1School of Statistics and Mathematics, Yunnan University of Finance and Economics, Kunming 650221, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究引入了一种增强的单次射击多盒探测器 (SSD) 模型,以准确检测轻微的香烟缺陷,即使数据有限. 改进的模型提高了检测准确度,并减少了制造业的计算需求.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业质量控制 工业质量控制
背景情况:
- 由于样品稀缺,高速制造业在检测轻微的化品缺陷方面面临着挑战.
- 准确的缺陷检测对于像香烟制造业这样的精密工业的质量保证至关重要.
研究的目的:
- 开发一种增强的物体检测模型,以更好地识别香烟制造中的轻微缺陷.
- 解决现有模型在处理零星缺陷事件和有限样本数据集方面的局限性.
主要方法:
- 实施一个增强的单射式多盒探测器 (SSD) 模型.
- 整合变量贝叶斯推理,以进行可靠的缺陷检测.
- 包括边界交叉在联合 (BIoU) 损失和高级激活函数 (ELU,泄漏 ReLU) 的包含.
主要成果:
- 增强的SSD300和SSD512型号在小缺陷检测中实现了高达1.2%的平均平均精度 (mAP) 提高.
- 废弃性研究表明,计算需求增加了1.5%的mAP,减少了5.92 GFLOPs.
- 该模型在具有有限样本数据的场景中表现出更好的推断性能.
结论:
- 提议的增强型SSD模型有效地提高了高速制造中轻微缺陷的检测准确度.
- 该模型的效率和稳定性使其适合精密导向的工业应用,且数据有限.
- 这种方法为加强香烟生产质量控制提供了可行的解决方案.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.1K
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
421
