机构名称：
¥ 1.0
摘要。计算机视觉和机器学习中的最新技术成就为工业质量控制提供了有希望的解决方案。由于自动解决方案很难在制造过程中集成，因此电池组装过程中的一种常见做法涉及对电池零件的手动调查，该电池零件既效率低下又耗时。我们将重点放在装配线中的一个具有挑战性的生产阶段，该阶段在人类检查不可行的情况下，只能在生产的后期才能检查出来的缺陷。为此，我们提出了一个原位系统，该系统通过在当前生产阶段准确识别异常来自动化质量控制过程并形成缺陷诊断。实施的系统旨在通过使用深神经网络（DNN）来监视电池组装线中的生产线并可视化电池组件中的有缺陷，并检查使用机器视觉系统收集的真实生产样品的缺陷。为了确定特定任务的光学配置，我们对各种最新的（SOTA）DNN体系结构进行了交叉评估，专门研究对象检测。此外，我们探索了复制 - 粘贴数据增强机制，以从少数有缺陷的样本中生成其他培训数据。最初使用平均平均精度（MAP）作为绩效评估的度量标准，对工业试验样本中缺陷的定位进行了验证，然后使用F-SCORE，PROCISION和RESEMES验证了有缺陷和非缺陷样本的分类作为评估指标。
自动缺陷 - 触发 - 键 - ...
主要关键词
相关文件推荐
