一个系统的调查:基于深度学习的图像异常检测在工业检查环境中的作用
Vinita Shukla1, Amit Shukla1, Surya Prakash S K2
1Drone Lab, Centre for Artificial Intelligence and Robotics, Indian Institute of Technology Mandi, Mandi, Himachal Pradesh, India.
Frontiers in robotics and AI
|July 8, 2025
概括
本综述系统地分析了用于工业异常检测的深度学习,比较了传统和先进的方法. 它解决了诸如实时处理和不平衡数据等挑战,以加强制造质量检查.
科学领域:
- 工业自动化 工业自动化
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 准确的异常检测对于工业自动化可靠性和性能至关重要.
- 复杂的检查方法对于推进智能制造至关重要.
- 深度学习为制造业的图像异常检测提供了先进的解决方案.
研究的目的:
- 系统地审查用于工业图像异常检测的深度学习方法.
- 将传统技术与最先进的深度学习方法进行比较.
- 分析挑战,并为工业异常检测提出缓解策略.
主要方法:
- 基于深度学习的异常检测的综合文献综述.
- 监督,无监督和半监督学习方法的比较.
- 数据集,评估指标和新兴应用程序 (无人机,操纵器,基于AGV) 的分析.
主要成果:
- 深度学习方法比工业异常检测的传统技术有显著的进步.
- 在不同数据集中确定了各种方法的优点和局限性.
- 在无人机,操纵器和基于AGV的异常检测中探索深度学习的创新应用.
结论:
- 深度学习对于智能制造和高质量的工业检查至关重要.
- 解决实时限制和数据不平衡是实际实施的关键.
- 未来的研究应该专注于新出现的挑战和在工业异常检测中的新型深度学习应用.
