基于多尺度特征融合的自监督工业部件异常检测算法

李倩; 高琳; 李思源; 刁仁宏; 吴炳剑

doi:10.11907/rjdk.232186

您当前的位置：

首页 >

文章列表页 >

基于多尺度特征融合的自监督工业部件异常检测算法

人工智能 | 更新时间：2024-12-30

- 基于多尺度特征融合的自监督工业部件异常检测算法
- Self-Supervised Anomaly Detection Algorithm for Industrial Components Based on Multi-scale Feature Fusion
- “在工业部件异常检测领域，研究人员提出了一种基于多尺度特征融合的自监督算法，有效提高了检测准确性，为工业生产质量控制提供了新方案。”
- 软件导刊 2024年23卷第12期页码：44-52
- 作者机构：
  
  1.成都信息工程大学区块链产业学院，四川成都 610225
  2.成都易乐科技开发有限责任公司，四川成都 610041
- 作者简介：
  
  李倩（1999-），女，成都信息工程大学区块链产业学院硕士研究生，研究方向为计算机视觉、图像异常检测
  高琳（1976-），男，博士，成都信息工程大学区块链产业学院讲师，研究方向为视频图像智能分析、智能检测技术与装置。
  李思源（1996-），男，硕士，成都易乐科技开发有限责任公司职员，研究方向为图像修复、生成对抗网络
  刁仁宏（1979-），男，成都信息工程大学区块链产业学院副教授，研究方向为计算机软件与理论、区块链安全技术
  吴炳剑（1998-），男，成都信息工程大学区块链产业学院硕士研究生，研究方向为机器学习、计算机视觉。
- 基金信息：
  
  四川省科技计划项目(2020YFS0316)
- DOI：10.11907/rjdk.232186
  中图分类号： TP391.41
- 纸质出版日期：2024-12-16，
  
  收稿日期：2023-11-21，
- 稿件说明：
移动端阅览
李倩,高琳,李思源等.基于多尺度特征融合的自监督工业部件异常检测算法[J].软件导刊,2024,23(12):44-52.

LI Qian,GAO Lin,LI Siyuan,et al.Self-Supervised Anomaly Detection Algorithm for Industrial Components Based on Multi-scale Feature Fusion[J].Software Guide,2024,23(12):44-52.
李倩,高琳,李思源等.基于多尺度特征融合的自监督工业部件异常检测算法[J].软件导刊,2024,23(12):44-52. DOI： 10.11907/rjdk.232186.

LI Qian,GAO Lin,LI Siyuan,et al.Self-Supervised Anomaly Detection Algorithm for Industrial Components Based on Multi-scale Feature Fusion[J].Software Guide,2024,23(12):44-52. DOI： 10.11907/rjdk.232186.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多尺度特征融合的遥感影像水体检测

基于可变形注意力的时空特征融合超分辨率方法

面向多尺度与条形特征的道路提取方法

改进YOLOV5的密集行人检测算法研究

基于ShuffleNetV2的孪生网络目标跟踪算法

基于多尺度特征融合的自监督工业部件异常检测算法

Self-Supervised Anomaly Detection Algorithm for Industrial Components Based on Multi-scale Feature Fusion

DOI：10.11907/rjdk.232186