【儀表網(wǎng) 研發(fā)快訊】智能制造的核心是通過數(shù)據(jù)驅(qū)動(dòng)的模型和決策，來實(shí)現(xiàn)預(yù)測性維護(hù)、工藝優(yōu)化、智能質(zhì)檢、能源管理、供應(yīng)鏈管理等任務(wù)。上？萍即髮W(xué)創(chuàng)意與藝術(shù)學(xué)院智造系統(tǒng)工程中心武穎娜課題組聚焦工業(yè)場景下的產(chǎn)品智能質(zhì)檢系統(tǒng)，針對產(chǎn)品信息捕捉不全、功能異常無法識(shí)別等自動(dòng)化質(zhì)檢的痛點(diǎn)問題，構(gòu)建了基于多傳感器融合、動(dòng)態(tài)交互進(jìn)行異常推理判斷的智能系統(tǒng)，并于近日公開了針對工業(yè)場景下異常檢測任務(wù)的首個(gè)多模態(tài)數(shù)據(jù)集MulSen-AD和首個(gè)視頻數(shù)據(jù)集Phys-AD。相關(guān)的兩篇文章同時(shí)被IEEE國際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議(IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2025)接收。
多傳感器目標(biāo)異常檢測：外觀、幾何與內(nèi)部屬性的統(tǒng)一表征
針對單一傳感器在同時(shí)捕捉產(chǎn)品外觀、尺寸、內(nèi)部屬性等信息時(shí)存在顯著局限性的問題，課題組提出了基于多傳感器融合的工業(yè)異常檢測方法。為了獲得產(chǎn)品的全面信息，建立了首個(gè)面向工業(yè)應(yīng)用的高分辨率、多模態(tài)異常檢測數(shù)據(jù)集MulSen-AD(Multi-Sensor Anomaly Detection)。針對15種產(chǎn)品類別，設(shè)計(jì)了孔洞、折痕、異物、劃傷、折彎、內(nèi)部裂紋等14種真實(shí)缺陷，共計(jì)2035個(gè)樣本；通過RGB圖像、三維點(diǎn)云、紅外圖像三種形式的數(shù)據(jù)分別呈現(xiàn)產(chǎn)品的外觀缺陷、幾何變形以及內(nèi)部淺表損傷等異常。本研究還提出了融合多傳感器數(shù)據(jù)的決策級(jí)融合算法MulSen-TripleAD，結(jié)合 RGB 紋理、紅外熱信號(hào)和 3D 點(diǎn)云信息，在無監(jiān)督異常檢測任務(wù)中取得了當(dāng)前最好的性能，為現(xiàn)有復(fù)雜工業(yè)異常檢測任務(wù)提供了新的研究思路。該成果以 “Multi-Sensor Object Anomaly Detection: Unifying Appearance, Geometry, and Internal Properties” 為題，被 CVPR 2025會(huì)議接收。
基于決策層融合的多傳感器異常檢測網(wǎng)絡(luò)
上？萍即髮W(xué)為第一完成單位，2022級(jí)碩士研究生李文嶠、2023級(jí)碩士研究生鄭博中、密歇根大學(xué)徐曉豪為共同第一作者，武穎娜研究員與高盛華教授為共同通訊作者。
面向真實(shí)世界物理動(dòng)態(tài)的視覺理解與推理：基于物理先驗(yàn)的異常檢測
針對工業(yè)異常檢測算法大多依賴于靜態(tài)、語義簡單的數(shù)據(jù)集，難以識(shí)別產(chǎn)品功能異常的問題，課題組提出了首個(gè)大規(guī)模、交互驅(qū)動(dòng)的工業(yè)異常檢測視頻數(shù)據(jù)集Phys-AD(Physics Anomaly Detection)，旨在提升算法基于物理先驗(yàn)知識(shí)來理解、推理和判斷功能異常的能力。通過機(jī)械臂、電機(jī)等與產(chǎn)品進(jìn)行交互，設(shè)計(jì)并采集了6400個(gè)視頻；針對22種產(chǎn)品類別，設(shè)計(jì)了機(jī)械故障、運(yùn)動(dòng)異常等47種功能異常的場景。Phys-AD的任務(wù)更強(qiáng)調(diào)視覺推理，要求算法結(jié)合物理先驗(yàn)知識(shí)與視頻內(nèi)容，判斷產(chǎn)品是否存在功能異常。在進(jìn)行基準(zhǔn)測試的同時(shí)，本研究還引入 PAEval 評測指標(biāo)，衡量算法在檢測異常的同時(shí)解釋其物理原因的能力，推動(dòng)異常檢測算法向更具物理推理能力的方向發(fā)展。該成果以“Towards Visual Discrimination and Reasoning of Real-World Physical Dynamics: Physics-Grounded Anomaly Detection”為題，被CVPR 2025會(huì)議接收。
基于物理先驗(yàn)的物體異常檢測類人決策過程
Phys-AD視頻數(shù)據(jù)集
上海科技大學(xué)為第一完成單位，2022級(jí)碩士研究生李文嶠、2023級(jí)碩士研究生谷峣、2024級(jí)碩士研究生陳鑫濤為共同第一作者，武穎娜研究員為通訊作者。
所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)。