检测/分割/跟踪

⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-01-28 更新

Effective Defect Detection Using Instance Segmentation for NDI

Authors:Ashiqur Rahman, Venkata Devesh Reddy Seethi, Austin Yunker, Zachary Kral, Rajkumar Kettimuthu, Hamed Alhoori

Ultrasonic testing is a common Non-Destructive Inspection (NDI) method used in aerospace manufacturing. However, the complexity and size of the ultrasonic scans make it challenging to identify defects through visual inspection or machine learning models. Using computer vision techniques to identify defects from ultrasonic scans is an evolving research area. In this study, we used instance segmentation to identify the presence of defects in the ultrasonic scan images of composite panels that are representative of real components manufactured in aerospace. We used two models based on Mask-RCNN (Detectron 2) and YOLO 11 respectively. Additionally, we implemented a simple statistical pre-processing technique that reduces the burden of requiring custom-tailored pre-processing techniques. Our study demonstrates the feasibility and effectiveness of using instance segmentation in the NDI pipeline by significantly reducing data pre-processing time, inspection time, and overall costs.

超声波检测是航空航天制造中常用的无损检测（NDI）方法之一。然而，超声波扫描的复杂性和规模使得通过目测或机器学习模型识别缺陷具有挑战性。使用计算机视觉技术从超声波扫描中识别缺陷是一个新兴的研究领域。本研究采用实例分割技术，识别航空航天制造中实际部件的复合面板超声波扫描图像中的缺陷。我们分别基于Mask-RCNN（Detectron 2）和YOLO 11两种模型进行研究。此外，我们实施了一种简单的统计预处理技术，减少了需要定制预处理技术的负担。本研究通过显著减少数据预处理时间、检查时间和总体成本，证明了在NDI管道中使用实例分割的可行性和有效性。

论文及项目相关链接

PDF 6 pages, 2 figures, 2 tables. Published at AI2ASE 2025 workshop at AAAI2025. Accepted publication is available at https://ai-2-ase.github.io/

Summary
超声波检测是航空制造中常见的无损检测（NDI）方法之一，但其复杂性和扫描规模使得通过视觉检查或机器学习模型识别缺陷具有挑战性。本研究使用计算机视觉技术中的实例分割来识别复合材料面板超声波扫描图像中的缺陷，代表航空制造中实际组件的缺陷。通过使用基于Mask-RCNN（Detectron 2）和YOLO v11的两个模型，并结合简单的统计预处理技术，减少了定制预处理技术的需求。研究证明了在NDI流程中使用实例分割的可行性和有效性，显著减少了数据预处理时间、检查时间和总体成本。

Key Takeaways

1. 超声波检测是航空制造中常用的无损检测方法。
2. 超声波扫描的复杂性和规模使得通过视觉检查和机器学习模型识别缺陷具有挑战性。
3. 研究采用实例分割技术来识别复合材料面板超声波扫描图像中的缺陷。
4. 研究使用了基于Mask-RCNN（Detectron 2）和YOLO v11的两个模型进行实例分割。
5. 简单的统计预处理技术减少了定制预处理技术的需求。
6. 实例分割在NDI中的应用显著减少了数据预处理时间、检查时间和总体成本。

Cool Papers

点此查看论文截图