注意引导的混合学习用于制造环境中准确的缺陷分类
Mahmoud SalahEldin Kasem1,2, Mohamed Mahmoud1,3, Mostafa Farouk Senussi1,3
1School of Information and Communication Engineering, Chungbuk National University, Cheongju, 28644, Republic of Korea.
Scientific reports
|December 11, 2025
概括
本研究引入了用于工业缺陷分类的混合深度学习框架,实现了最先进的准确性. 该模型集成了YOLOv11和EfficientNet-B7,用于在制造过程中强大的多类缺陷识别.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 由于视觉复杂性和各种缺陷类型,工业缺陷分类具有挑战性.
- 现有的方法经常在不同对象类别的多类分类中扎.
研究的目的:
- 开发一个强大的混合深度学习框架,用于统一的多类工业缺陷分类.
- 提高缺陷检测系统的准确性和概括能力.
主要方法:
- 整合了YOLOv11用于空间特征和EfficientNet-B7用于细粒度表示.
- 纳入卷积块注意力模块 (CBAM) 和特征金字塔网络 (FPN) 进行注意力引导的多层次改进.
- 对MVTec-FS和专有窗口数据集的评估.
主要成果:
- 实现了最先进的准确性:在MVTec-FS上达到91.90%,在Window数据集上达到96.13%.
- 性能优于现有的卷积神经网络 (CNN),变压器和集体基线.
- 废弃性研究证实了每个模块的性能贡献.
结论:
- 拟议的混合深度学习框架在工业缺陷分类方面表现出卓越的表现.
- 该模型在不同领域和缺陷类型中表现出强大的概括能力.
- 该框架为工业质量控制提供了实际实用性.
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
1.6K
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
2.1K
