联合多尺度视觉变压器与适应型客户端聚合用于工业缺陷检测检测
Sailaja Are1, N Gopala Krishna2, Jagadeesh Thati3
1Department of Computer Science Engineering, Tirumala Engineering College, Narasaraopet, AP, 522601, India. sailuare@gmail.com.
Scientific reports
|October 1, 2025
概括
本研究介绍了Fed-MSVT,这是一个用于工业缺陷检测的联合学习模型. 它通过使用多尺度视觉转换器和适应式客户端聚合来提高精度和隐私,用于智能制造.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 传统的缺陷检测深度学习需要集中数据,这会给隐私带来风险,并限制分布式制造中的适应性.
- 现有的联合学习方法可能无法充分解决跨不同工业场所的数据质量和领域转移问题.
研究的目的:
- 开发一个保护隐私和适应性的联合学习框架,用于工业缺陷检测.
- 在分布式制造环境中提高缺陷检测的准确性和稳定性.
主要方法:
- 提出Fed-MSVT,一个具有自适应客户端聚合的联合多尺度视觉变压器.
- 使用多尺度视觉变压器 (MSVTs) 进行全面的缺陷特征提取.
- 实施适应性客户端聚合 (ACA) 机制,用于动态模型加权.
- 使用对比特征对齐 (CFA) 模块来减少域差异.
主要成果:
- 联邦-MSVT在检测各种工业缺陷方面表现出卓越的准确性和稳定性.
- 自适应客户端聚合 (ACA) 机制有效地处理客户端数据质量的变化和域名转移.
- 对比特征对齐 (CFA) 提高了不同制造工厂的模型概括性.
- 评估显示,与现有的联合学习方法相比,性能有所提高.
结论:
- 联邦-MSVT提供了一个可扩展的,保护隐私的解决方案,用于实时工业缺陷检测.
- 拟议的适应性聚合和特征对齐策略对于制造业有效的联合学习至关重要.
- 这种方法支持自适应和智能智能制造系统的发展.
