相关实验视频
Updated: May 10, 2025

Picometer-Precision Atomic Position Tracking through Electron Microscopy
Published on: July 3, 2021
基于改进的近距离政策优化,对碎片板的小样本进行表面缺陷检测
Haifei Xia1, Haiyan Zhou1, Mingao Zhang1
1Jiangsu Co-Innovation Center of Efficient Processing and Utilization of Forest Resources, College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
一种新的深度强化学习方法PPOBoardNet有效地使用有限的数据检测碎片板的表面缺陷. 这种方法改进了现有的模型,为工业质量控制提供了实用的解决方案.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 纸板制造产生副产品,提供可持续的资源利用.
- 表面缺陷检测对于质量控制至关重要,但有限的样本数据阻碍了传统的模型训练.
- 深度强化学习 (DRL) 显示出对使用稀缺数据进行高效模型培训的希望.
研究的目的:
- 开发一种新的基于深度强化学习的碎片板缺陷检测方法.
- 为了应对在碎片板表面缺陷识别中有限的样本数据的挑战.
- 提高检测常见的碎片板缺陷的准确性和效率.
主要方法:
- 拟议的PPOBoardNet方法在Actor-Critic框架内使用近接政策优化 (PPO) 算法.
- 实现了可变的动作空间和复合奖励功能,以优化缺陷检测.
- 引入了多个规模的功能融合策略,整合了全球,本地和历史图像特征.
主要成果:
- 在有限的碎片板缺陷数据集上,PPOBoardNet实现了79.0%的平均平均精度 (mAP).
- 与最佳YOLO系列检测模型相比,表现出5.3%的性能改善.
- 成功识别了五种典型的缺陷:灰尘斑,粘合剂斑,痕,沙漏和痕.
结论:
- PPOBoardNet方法提供了一种新且有效的技术方法,用于在有限的样本中检测颗粒板缺陷.
- 这种基于DRL的方法对于加强板材行业的质量控制具有重大实际价值.
- 这些发现有助于在可持续制造和材料科学中推进人工智能应用.
更多相关视频
05:04Author Spotlight: Introduction to Active Probe Atomic Force Microscopy with Quattro-Parallel Cantilever Arrays
Published on: June 13, 2023
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
相关概念视频
Wood Surfacing
The equipment used in the surfacing process is a plane equipped with rotating blades. This tool efficiently smoothens the wood surface and can...
Lumber Defects
Shakes are minor fractures that run along or across the wood's annual rings, while wane is...