AITOP

缺陷检测

共 3 条相关 AI 资讯
7月30日
10:52
10:52官方账号arXiv cs.AI@Paul Julius Kühn, Saptarshi Neil Sinha, Tiago Kleist, Richard Hoffmann, Arjan kuijper, Michael Weinmann
该论文提出基于BlenderProc的程序化渲染管道ScratchSim，可生成大规模带COCO格式标注的合成划痕数据。通过在两个不同材质物体上评估YOLOX、YOLO26和LW-DETR三种轻量级检测器，对比了纯合成、纯真实、混合及从合成权重微调四种策略。实验表明，从合成权重微调始终优于仅用真实数据训练，混合训练可在真实数据稀缺时有效恢复性能。该方法无需大量人工标注真实数据即可实现可扩展的缺陷检测，适用于工业质检边缘设备。
论文ScratchSimBlenderProc缺陷检测
推荐理由：这篇论文用BlenderProc生成合成划痕数据，微调策略比纯真实数据训练效果更好，适合做工业质检的场景。
原文
5月21日
10:07
10:07官方一手arXiv: DeepSeek@Tianxiang Xu, Xiaoyan Zhu, Xin Lai, Xin Lian, Hangyu Cheng, Jiayin Wang
精选
现有软件缺陷检测研究缺乏针对生物信息学软件的专用数据集，导致模型在该领域表现受限。研究者推出了BioDefect，这是首个专为生物信息学软件缺陷检测设计的数据集，包含完整源代码仓库，保留了缺陷代码的真实上下文信息。该数据集解决了标签不一致和数据泄露问题，确保高质量和实验可靠性。在包括DeepSeek-R1在内的9个语言模型上的评估显示，BioDefect相比现有数据集平均F1分数提升29.61%至38.04%。这项工作填补了生物信息学软件缺陷检测的研究空白，为提升该领域软件质量保障提供了新方向。
论文缺陷检测生物信息学数据集
推荐理由：做生物信息学软件质量保障的团队终于有了专用数据集——BioDefect 比通用数据集 F1 提升近 40%，做缺陷检测研究的可以直接用它来训练和评估模型。
原文
5月20日
11:09
11:09官方账号arXiv cs.LG@Antonio Peña Corredor, Julien Lesseur, Romain Nunez, Paul Rivalland, Thomas Philippe
精选
航空SiC/SiC复合材料的X射线CT无损检测依赖专家目视评估，缺乏可追溯性。研究团队提出p-ResNet-50，在卷积网络中引入原型层，将高检测精度与基于案例的解释结合。六个学习原型与专家定义的语义类别（健康基体、基体-空气界面、孔隙、线状缺陷、混合形态）对齐，每个分类都可追溯到物理有意义的参考。通过锚点和中心点正则化项防止原型坍缩，UMAP潜空间分析明确标出模型可靠与不可靠区域。在约12000个补丁的数据集上，p-ResNet-50达到与黑盒ResNet-50相当的精度（0.957 vs 0.959），同时提供可追溯决策和不确定性标记。
论文可解释AI缺陷检测X射线CT
推荐理由：做工业无损检测或AI可解释性研究的团队会感兴趣——p-ResNet-50在保持高精度的同时让黑盒模型变得可审计，航空质检场景可以直接参考其原型对齐方法。
原文