视觉表面缺陷无监督学习检测方法研究进展

视觉表面缺陷检测是工业生产质量控制重要环节,其中无监督学习范式检测方法是重要的发展趋势。该文针对视觉表面缺陷无监督学习检测方法在工业生产、质量控制中的实际应用问题,系统介绍目前国内外的主要物体表面缺陷数据集以及缺陷视觉检测方法主要评价指标,评述图像重建范式、生成模型范式、特征嵌入范式在视觉表面缺陷无监督学习检测中的分类、基本原理及框架、应用性能等方面内容,总结比较各种方法的应用特点以及技术发展趋势,指出归一化流模型、预训练大模型等无监督视觉表面缺陷检测研究值得关注。

基于无监督学习的连铸铸坯缺陷检测方法

铸坯在连铸过程中受温度分布不均、流动速度不稳等多种因素的影响,容易出现各种表面和内部缺陷,如疏松、偏析、缩孔、裂纹、气泡、夹杂等。这些缺陷不仅影响产品的外观和性能,还可能对工程结构的安全性产生潜在威胁。针对这一问题,提出了一种基于无监督学习的连铸铸坯缺陷检测方法,该方法利用图像频域处理技术和深度学习算法学习连铸铸坯正常样本的图像特征,通过图像重建方式自动检测铸坯图像中的缺陷。首先,通过频率解耦模块对铸坯图像进行图像频率分离,得到铸坯的低频图像与高频图像。然后,采用带有自监督预测卷积注意模块的生成器网络集合,分别重建低频图像和高频图像。最后,通过判别器网络对铸坯的原始图像与重建图像进行判定,以确定铸坯图像中是否包含缺陷。实验结果表明,该方法能够有效检测连铸铸坯的缺陷,具有较高的准确性和可靠性,可为提高连铸产品质量和生产效率提供有力支持。

基于无监督学习和监督学习的抽取式文本摘要综述

相较于生成式摘要方法,抽取式摘要方法简单易行、可读性强,使用范围广。目前,抽取式摘要方法综述文献仅对特定的某个方法或领域进行分析综述,缺乏多方面、多语种的系统性综述,因此探讨文本摘要生成任务的内涵,通过系统梳理和提炼现有的相关文献,对无监督学习和监督学习的抽取式文本摘要技术进行多维度、全方位的分析。首先,回顾文本摘要技术的发展,分析不同的抽取式文本摘要方法,主要包括基于规则、词频-逆文件概率(TFIDF)、中心性方法、潜在语义、深度学习、图排序、特征工程和预训练学习等,并对比不同方法的差异;其次,详细介绍不同语种文本摘要生成的常用数据集和主流的评价指标,通过不同的实验指标对相同数据集上的方法进行比较;最后,指出当前抽取式文本摘要研究中存在的主要问题和挑战,并提出具体的解决思路和未来发展趋势。

基于无监督学习的工业互联网时序数据事件检测

为了在不依赖事件标签的前提下对时间序列数据进行事件检测,提出一种基于概率模型的无监督时间序列数据事件抽取算法,该算法在广义似然比(GLR)算法的基础上,通过预先筛选和分组投票的策略,使得算法的事件抽取效率与抽取结果的准确程度都得到了一定的提升。此外,还提出了一种基于分裂式层次聚类的时序数据聚类算法,该算法将自上而下的分裂式层次聚类与NME算法相结合,在自适应估计结果类簇数量的前提下达到了较高的准确度。

基于无监督学习方法的细胞膜内单分子扩散运动分析:胆固醇对模型膜和活细胞膜流动性的不同影响

单分子运动追踪是研究软物质体系尤其是生命体系动力学过程和分子相互作用的重要方法,但如何理解生命体系中单分子运动行为的复杂性仍是一个巨大的挑战.针对这一问题,本工作提出了一种可对单分子轨迹进行高效识别和分类的、基于无监督学习的“两步归类法”:首先利用熵约束最小二乘法对扩散轨迹的受限程度进行区分,继而通过统计检验将非受限轨迹划分为亚扩散、正常扩散和超扩散等不同运动模式类型.利用该方法,本工作解析了DOPC模型细胞膜和活细胞膜内的单分子扩散运动特征,揭示了胆固醇成分对二者的差异影响.结果显示:模型膜和活细胞膜均包含多种不同的扩散模式;在DOPC模型膜体系中,胆固醇成分会阻碍膜内的分子扩散运动,且阻碍程度与胆固醇含量正相关;在活细胞体系中,分子运动速率显著低于模型膜体系,并且,胆固醇的去除会进一步减慢分子扩散速率.本研究有助于从单分子运动角度深入理解生物分子运动行为的复杂性及其对体系环境的依赖性.

无监督学习型凿岩钻臂逆运动学求解方法

凿岩台车钻臂智能寻孔控制对提升凿岩钻孔作业精度和效率具有重要意义,逆运动学求解是实现钻臂精确快速寻孔控制的核心.现有解析法或数值法无法满足复杂钻臂逆运动学求解精度或时间效率要求,而传统神经网络方法依赖于标签数据,求解结果的可靠性较低.针对上述问题,本文提出一种考虑安全约束的无监督学习型神经网络逆运动学求解方法.区别于传统解法,该方法不依赖标签数据,直接将期望钻臂末端位姿作为网络输入,以实际末端位姿与期望末端位姿的差异作为优化目标,通过梯度下降驱动网络更新.同时,为确保关节位置的安全性,本文构造了安全碰撞惩罚,将罚项引入到求解目标函数中,促使网络输出的关节量满足特定环境的约束条件.上述的研究方法不仅提高了逆运动学求解的精度,而且显著降低了逆运动学解的碰撞率.实验结果表明,使用无监督学习型神经网络逆运动学求解方法所求得的寻孔误差均值在5~7 mm之间,相较于监督学习型方法,逆运动学求解精度提升约70.72%;引入约束后,该方法在不损失求解精度的前提下,逆运动学解的碰撞率降低了90.28%.

无监督学习步态识别综述

在光学技术高速发展的现代,步态特征因非接触、非侵入、难伪造、远距离采集等优势受到了学界的广泛关注。目前步态识别算法主要为依赖标签数据的有监督学习方法,庞大的标签标注量在实际应用中面临多重挑战。无监督学习不需要标注就能完成对数据内在特征的自动分析,更贴合实际应用的需求。为了全面认识无监督学习步态识别发展现状及趋势,对领域相关工作进行了梳理。介绍了步态识别常用数据集、通用制作方式以及主流评价指标。从基于GAN的步态识别方法、基于聚类的步态识别方法、基于无监督域适应的步态识别方法和其他方法四个方向详细介绍了目前基于无监督学习的步态识别相关研究思路;选取了CASIA-B、OU-MVLP和OU-ISIR LP三个典型数据集,对主要无监督算法性能进行综合对比;对各方向研究侧重点进行总结讨论,针对存在的交叉研究情况进行评论综述,为未来研究提供借鉴思路。研究分析了无监督步态识别算法目前面临的挑战,并以此展望步态领域未来的发展方向。

基于无监督学习的神经精神疾病辅助诊断研究进展

传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自动提取等优点的机器学习方法,已经被广泛应用于神经精神疾病辅助诊断领域。相较于传统的监督学习方法,无监督学习更能实现个体化、精准化、智能化的神经精神疾病诊断。文章综述了近年来无监督学习在神经精神疾病辅助诊断中的研究进展,总结了无监督学习在阿尔兹海默症、精神分裂症、重度抑郁症以及自闭症谱系障碍中的研究成果,并指出当前研究存在图像处理能力差、样本量小、缺少生化指标数据等问题及难点,融合神经网络、多站点大样本、多维度数据深度融合是无监督学习方法应用的发展方向。

基于无监督学习的金属表面高光去除算法研究

金属材料表面的高光会严重破坏图像的连续性,产生一定的伪边缘,导致高光区域的纹理细节减弱甚至消失,干扰后续表面的区域分割和缺陷检测等操作。针对现有高光去除方法效率低、损失大、易失真、金属高光数据难标定等问题,提出了一种基于卷积神经网络(CNN)的无监督感知增强网络模型。使用生成对抗的方法生成大量拥有高光特征信息的金属图像,用于增加训练集中高光金属图像数据集的数量;在上下文聚合网络中引入细节增强模块(detail enhance model,DEM)和色彩增强模块(color enhance model,CEM)提高低分辨率权重图中的特征细节保留率;评估函数采用多尺度结构相似性函数代替原有结构相似性函数,解决在图像尺寸过大时细节不敏感的问题。实验表明,所提模型相比其他多曝光图像融合模型,在融合速度领先情况下,融合图像的互信息和平均梯度等评估指数提升10%左右,能够保留更多的纹理特征信息。

基于有限差分残差物理约束的波动方程无监督学习方法

波动方程是一种重要的物理偏微分方程,近年来深度学习有望加速或替代传统数值方法对其求解.然而现有深度学习方法存在数据集获取成本高、训练效率低、边界条件泛化能力不足的问题,为此本文提出一种基于有限差分残差约束的波动方程无监督学习方法,基于结构网格和有限差分方法构建一种新颖的有限差分残差约束,以及一种无监督训练策略,使得卷积神经网络能够在无数据条件下训练,并预测波的正演过程.实验结果表明,有限差分残差约束相较于PINNs类的物理信息约束具有更容易拟合、计算成本更低、源项泛化能力更强的优点,这使得我们的方法有着更高的训练效率和应用潜力.

一种基于无监督学习的两阶段解耦图像去雾算法研究

利用卷积神经网络进行监督学习是解决图像去雾问题的一种常用的解决方法。然而,现有的方法大多主要使用成对的合成雾霾数据集,这可能不能准确地代表真实雾霾天气的场景。针对这一问题,本文提出了一种基于无监督学习的两阶段解耦去雾网络。该网络由三个子网络组成,它们分别将观测到的雾霾图像分解为无雾霾图像层、透射图层和大气光层。同时,该网络分为恢复无雾图像和透射图两个阶段。在第一阶段,利用嵌入的暗通道先验来获得无雾霾像和透射图的粗略估计。在第二阶段,通过两个子网络对第一阶段的结果进行细化,以产生更精确的无雾霾图像和透射图,而大气光则由另一个子网络直接估计。此外,本文还设计了一种新的多尺度注意力模块,作为细化无雾图像的子网。多尺度注意力模块在自注意力中执行多尺度的标记聚合,以捕获不同尺度的特征。实验结果表明,本文提出的网络获得了有效的雾性能和令人满意的视觉效果,且在PSNR、SSIM和主观视觉效果方面均优于现有的无监督去雾方法。

基于无监督学习的异质网络多尺度离群点挖掘研究

现有的异质网络多尺度离群点挖掘算法忽略了数据点之间的顺序关系,无法充分利用数据点在异质网络中的排列顺序信息,从而导致聚类精度下降。对此,提出一种基于无监督学习的异质网络多尺度离群点挖掘方法,对异质网络的多节点、多边特点进行分析。利用季节-趋势时序分解法提取异质网络数据特征。根据数据特征,结合K-means聚类算法与排序算法,将数据点的排序信息添加至聚类过程中,以实现对异质网络数据离群点的挖掘。实验结果表明,利用该方法进行网络数据节点聚类的准确率均能达到80%以上;并且实现了多尺度离群点挖掘后,能够精准地识别出离群点,为后续的网络通信维护提供了良好的保障。

基于注意力机制的无监督学习地震数据随机和不规则噪声衰减方法

地震勘探在野外采集到的地震数据受随机噪声和相干噪声的干扰而导致信噪比被降低,从而影响地震资料的后续处理,例如地震偏移和成像。因此,开发一种高效且自适应的方法来衰减地震数据中的随机与相干噪声是必要的。常规的监督学习算法需要人工生成大量标签来训练网络,这对于数据体量较小的地震勘探领域是十分困难的。此外,基于监督学习的噪声衰减方法在计算和人力成本上十分昂贵。为了解决该问题,本文构建了一种基于无监督学习策略的自适应深度学习框架来衰减多维地震数据中的随机和不规则(异常值)噪声。该方法采用编码和解码相对应的结构来压缩和重构数据特征。为了提高网络对重要波形特征的关注,本文采用软注意力机制以加权的方式给重要的波形特征分配更大的权重。本文采用小尺度地震数据分割技术将多维含噪数据分割为大量一维信号输入到网络进行迭代,从而自适应的衰减地震数据中的随机和异常值噪声。这种小尺度信号去噪方法可以有效地提升网络的噪声衰减表现,并有助于避免产生伪影。本文采用更具鲁棒性的Huber损失函数来衰减随机和异常值噪声,该损失函数结合了带有l2范数的均方根误差和l1范数的平均绝对误差损失。此外,在构建的网络中加入总变分(Total Variation,TV)正则化项来捕捉地震资料的局部光滑结构。通过实验调整Huber损失函数与TV正则化项的权重,使得网络获取最佳的去噪表现。本文构建的方法可直接用于多维地震数据的随机和异常值噪声衰减,并保证重构后地震信号的横向连续性。我们将提出的框架与经典的地震数据去噪方法和基于无监督学习的噪声衰减方法进行去噪对比来分析各方法的优劣。二维和三维合成数据与实际地震数据的测试结果表明本文提出的方法具有更好的噪声衰减和有效信号保护能力。

基于无监督学习模型的前列腺超高b值DWI图像生成与临床评估

目的探讨超高b值DWI图像采集在前列腺癌诊断中的独特优势,并解决其存在的采集时间长和易发生伪影等问题。方法通过临床采集高b值磁共振图像与超高b值图像,并利用无监督学习两个域之间的特征关系生成前列腺超高b值DWI图像,以提高对比度和前列腺疾病检测的敏感度。评估模型的临床性能,辅助年轻医师提高前列腺癌诊断能力。结果生成的前列腺超高b值DWI图像具有足够的对比度,提高了前列腺疾病检测的敏感度,且模型在临床性能评估中表现良好。结论基于无监督学习的超高b值DWI图像生成技术不仅具有突出的技术优势,而且在临床实践中显示出一定的应用潜力。该技术有望成为前列腺疾病影像诊断领域的重要辅助工具,为医疗实践带来重要的进展和改善。

基于多重先验的无监督学习红外图像增强算法

随着红外成像技术的广泛应用,人们对红外成像质量的要求不断提高。由于红外传感成像原理的限制,红外图像普遍存在对比度不高、缺乏细节纹理等问题。与此同时,常用的传统红外图像增强算法在提升图像对比度的同时容易引入较高的噪声,导致增强效果有限。因此,本文提出一种基于高斯-拉普拉斯金字塔、CLAHE、原始图像等多重先验知识的无监督红外图像增强算法,并通过实验与各种经典先验方法进行了对比。实验证明,本算法效果相较于传统算法有较为明显的提升,可以完全自适应地实现对比度拉伸、去除噪声等红外图像增强操作,并且对目标检测等下游任务带来了显著的精度提升。

基于无监督学习的软件定义网络异常流量检测技术

软件定义网络中存在多种不同类型的异常流量,高维数的异常流量需要大量的数据进行训练和检测,异常流量难以被准确提取,导致软件定义网络异常流量难以精准检测。为此,该研究基于无监督学习的软件定义网络异常流量检测技术,提升软件定义网络的运行安全性。利用无监督学习方法中的自编码器方法,通过压缩网络和检测网络2部分检测软件定义网络异常流量。压缩网络部分采用收缩自编码技术,通过调节重构误差的损失函数,对软件定义网络流量特征实施降维处理;将降维处理后的软件定义网络流量特征,输入条件生成对抗网络-长短时记忆网络模型中,该模型利用生成器生成软件定义网络流量样本,作为判别器训练的依据,利用完成训练的判别器,输出软件定义网络异常流量检测结果。实验结果表明,该方法在迭代次数接近150次时,重构误差稳定至0.01左右,该方法能够有效检测软件定义网络受到不同类型的攻击造成的流量异常情况,及时发出告警,异常流量检测精度为98.98%。

基于无监督学习的江苏省艺术类行业就业需求指数归趋分析

可视化挖掘分析江苏省艺术类就业数据,静态展示就业基础研究的空间分布特征,动态识别江苏省艺术类行业就业归趋演化,精准研判江苏省艺术类行业就业形势的“态”和“势”,从2010—2021年江苏省艺术类行业就业需求维度,利用无监督学习构造网络搜索数据就业需求指数模型,分析江苏省艺术类行业就业市场的周期性特点、市场供需变化趋势。艺术类行业就业需求指数模型有利于丰富现有就业统计内容和重构就业统计框架,对加强艺术类行业就业市场和宏观经济走势的统计监测和趋势预判,补充和丰富政府、高校招生统计体系具有一定的意义。

基于swintransformer与无监督学习的滚动轴承故障诊断方法

为了能在仅有健康状态数据条件下进行故障诊断,构建一种优化的swin transformer深度神经网络架构,对健康数据的特征进行提取并重构,提出一种滚动轴承故障诊断的无监督学习方法。与自编码器、深度编码器、卷积自编码器及稀疏自编码器进行对比,准确率分别为98.62%、76.46%、68.69%、77.69%、68.00%,与对比网络相比准确率提升20%以上。

基于无监督学习的计算机通信网络异常数据流辨识方法

当前,计算机通信网络异常数据流辨识矩阵的辨识效率有限,导致漏辨个数不断增加。为此,文章对基于无监督学习的计算机通信网络异常数据流辨识方法进行了设计和验证。首先,提取了异常数据流特征,在多状态的背景下提升了辨识效率,同时设置了多状态特征辨识矩阵。其次,设计了无监督学习通信网络异常数据流辨识模型,采用了动态跟踪核验实现数据流辨识处理。测试结果表明,导入4组虚拟的辅助网络异常数据流指令在3个周期内实现了异常数据流辨识,最终将漏辨个数控制在6个以内,说明该方法在无监督学习的辅助和支持下更为精准与高效,应用效果得到了明显提升,且针对性较强,具有创新意义。

基于无监督学习的动作捕捉躯干弯曲度估计方法

人体姿态估计是行为识别的研究热点,基于深度学习的人体运动捕捉技术是人体姿态估计的重要方法。然而,基于骨骼模型的研究,通常使用二维的人体姿态估计,在人体中间部位缺少胸部、骨盆、脊柱等关键点,大部分方法只包含人体中间部分有限的关键点。由于人体整体结构的复杂性,跟踪方法只估计人体表面,估计躯干内部的弯曲度较困难。通过在基于骨架的模型中添加新的关键点来优化现有的深度学习模型,并提出一种基于无标记动作骨架的曲线弯曲算法来估计躯干的弯曲度。借助惯性测量智能套装,用惯性测量法对该方法进行验证,该方法能够较好地估计出人体躯干弯曲度。实验表明,无标记的躯干弯曲估计模型,为进一步提高人体估计姿态的躯干弯曲精度提供新的研究思路。