XiaoMi-AI文件搜索系统
World File Search System表面缺陷
工业产品表面缺陷检测的进步
摘要。表面缺陷检测在确保工业生产中的产品质量方面起着关键作用，因为裂纹，划痕和凹痕等缺陷会损害产品性能和耐用性。传统的检测方法，例如手动检查和非破坏性测试（NDT），受到效率低下，对人类专业知识的依赖以及对错误的易感性的限制，这限制了它们在大规模生产中的应用。随着人工智能的进步，深度学习模型，尤其是卷积神经网络（CNN）和经常性神经网络（RNN），已成为自动化表面缺陷检测的有前途的解决方案。本文从传统方法到现代深度学习技术开始，对表面缺陷检测技术进行了全面的综述。分析了每种方法的优点和局限性，突出了深度学习中的关键进步，包括最近的模型，例如更快的R-CNN，Cascade R-CNN和Yolov4。此外，还讨论了诸如处理复杂缺陷和改善现实世界环境中的检测准确性之类的挑战，以及未来研究的潜在方向。使用少量钢分类（FSC）数据集进行实验评估，证明了现代检测方法在工业应用中的有效性，从而提供了增强缺陷检测系统的见解。
焊道表面缺陷的形成及其影响
将一根管道连接到另一根管道是一项劳动密集型过程，因为它需要焊接、螺纹或法兰以及相关设备。虽然这种类型的钢包含多种元素成分，主要含有铁，但可以添加其他几种金属成分，对其可焊性和强度产生很大影响 [1-3]。焊接钢通常需要预热和后热处理，以防止焊接开裂，而焊接钢（如高碳钢）更容易出现焊接开裂，需要特殊的焊接填充金属。裂纹是指焊接熔池未填满的焊缝，它是由焊接金属冷却时发生的收缩应变引起的。当收缩受限时，将引起导致开裂的残余应力。据此，通常会导致开裂的典型因素包括：(i) 焊接过程中产生的氢气、(ii) 易开裂的硬脆结构和 (iii) 作用于焊接接头本身的拉伸应力 [2,4-6]。可以说，钢的碳当量越高，可焊性越差。这意味着碳含量超过 0.2% 的钢的可焊性被认为是较差的，因为钢的硬度高，开裂的可能性也高。相比之下，低碳钢显示出优势，并且是室温下最容易焊接的钢
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
Yolopears：用于质量分级系统中多级梨表面缺陷检测的Yolo对象检测器的新基准
梨是最广泛消耗的水果之一，它们的质量直接影响消费者的满意度。表面缺陷，例如黑点和小斑点，是梨质量的关键指标，但由于视觉特征的相似性，检测它们仍然具有挑战性。这项研究提出了Pearsurfacedects，这是一个自我结构的数据集，包含六个类别的13,915张图像，其中有66,189个边界框注释。这些图像是使用定制的图像采集平台捕获的。在数据集上建立了27种版本的27个最先进的Yolo对象探测器的Yolo对象检测器，Yolor，Yolov5，Yolov5，Yolov6，Yolov7，Yolov7，Yolov7和Yolov9。为了进一步确保评估的全面性，还包括了三个高级非Yolo对象检测模型，T-DETR，RT-DERTV2和D-FINE。通过实验，发现yolov4-p7的检测准确性在map@0.5达到73.20％，而Yolov5n和Yolov6n也显示出极大的潜力，可以进一步提高梨表面缺陷检测的准确性。本研究中用于模型基准的梨表面缺陷检测数据集和软件程序代码都是公开的，这不仅会促进对梨表面缺陷检测和分级的未来研究，而且还为其他水果大数据和类似研究提供了宝贵的资源和参考。
一种孔传输材料，还可以使钙钛矿表面缺陷用于太阳能电池，并提高效率和稳定性
作者的完整列表：Zhao，小米；普林斯顿大学，化学与生物工程系Yao，雅；普林斯顿大学，化学工程系GU，Kaichen；普林斯顿大学，化学与生物工程刘，天兰；普林斯顿大学，YU电气工程系；普林斯顿大学，Yueh-Lin化学工程系；普林斯顿大学化学工程系
分子动力学模拟对缺陷对硅纳米线导热率的影响
进行了一种非平衡分子动力学模拟方法，以研究具有不同类型缺陷的硅纳米线（SINW）的热导率（TC）。分析了缺陷位置，孔隙率，温度和长度对SINW TC的影响。数值结果表明，表面缺陷的SINW比具有内部缺陷的SINW的SINW高，随着孔隙度和温度的升高，SINW的TC逐渐降低，并且温度对具有缺陷的SINW的影响较弱，远小于对SINWS的影响。SINW的TC随着长度的增加而增加。sinw具有最高的状态声子密度低频峰的相应频率；但是，当SINW具有内部缺陷时，观察到最低的频率。在相同的孔隙率下，SINW与表面缺陷的平均声子参与高于内部缺陷的SINW。
用于晶圆缺陷检测的 AI 机器视觉系统
半导体晶圆加工过程中产生的表面缺陷是微纳米加工面临的主要挑战之一。通常使用光学显微镜扫描晶圆，然后由人类专家检查图像。这往往是一个非常缓慢且令人疲惫的过程。由于可能出现的缺陷种类繁多，开发一种可靠的基于机器视觉的系统来正确识别和分类晶圆缺陷类型以取代人工检查是一项具有挑战性的任务。在这项工作中，我们开发了一种机器视觉系统，用于检查半导体晶圆和检测表面缺陷。该系统集成了光学扫描显微镜系统和基于 Mask R-CNN 架构的 AI 算法。该系统使用具有 MEMS、硅光子学和超导器件的晶圆在不同制造阶段（包括表面缺陷）的显微图像数据集进行训练。所实现的精度和检测速度使该系统有望应用于洁净室。
使用
几项研究探索了使用各种机器学习算法来预测铁矿石中杂质的使用。 Harsha和Prasad（2021）研究了使用深度学习技术来预测铁矿石泡沫中二氧化硅浓度的百分比，表现出显着的预测能力[1]。Zhang等。 （2024）提出了一种基于时间补偿的算法来预测铁矿石烧结中的表面缺陷，将其有效性与常见的深度学习算法进行了比较[2]。 Pural（2023）着重于开发数据驱动的软传感器，以使用机器学习算法在包含700,000多个数据点的数据集上预测铁矿石浮选浓度的硅质杂质[3]。Zhang等。（2024）提出了一种基于时间补偿的算法来预测铁矿石烧结中的表面缺陷，将其有效性与常见的深度学习算法进行了比较[2]。Pural（2023）着重于开发数据驱动的软传感器，以使用机器学习算法在包含700,000多个数据点的数据集上预测铁矿石浮选浓度的硅质杂质[3]。
自动化飞机目视检查系统
为了减少对易出错的目视检查和现场检查的依赖，A*STAR 的研究人员开发了一种用于检测飞机表面缺陷的自动化系统。该系统使用机器人或摄像头从不同角度捕捉飞机图像。然后，机器学习算法处理这些图像，从这些图像中检测出各种缺陷。该系统还会定位这些缺陷，将它们映射到 3D 模型上，以可视化飞机表面的缺陷。然后，检查员可以对这些捕获的缺陷进行有针对性的检查和验证。