Логотип ЛСМ ЮУрГУ
Южно-Уральский госудраственный университет
Национальный исследовательский университет
ЛАБОРАТОРИЯ СУПЕРКОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ ЮУрГУ
Русский язык
О нас
Наши партнеры
Отделы и сотрудники
История
Новости
Информация в СМИ
Фотогалерея
Эмблема ЛСМ
Экскурсии
Контакты
Вычислительные ресурсы
Суперкомпьютер «Торнадо ЮУрГУ»
Суперкомпьютер «СКИФ-Аврора ЮУрГУ»
Комплекс «GPU»
Кластер «СКИФ Урал»
Пользователям
Правила
Регистрация
Прикладное ПО
Системное ПО
Техническая поддержка
Обучение
Система ПВК
Программное обеспечение
Правила
Инструкции
Коммерческим клиентам
Научная работа
Цели ЛСМ
Проекты
Публикации
Зарегистрированные программы
Городской научный семинар по теории некорректных задач
     
Google

www по сайту
Главная / Научная работа / Искусственный интеллект

Проект
«Искусственный интеллект для распознавания и классификации дефектов металлического проката»
БИБЛИОГРАФИЯ
по искусственным нейронным сетям

СТАТЬИ

  1. Faghih-Roohi S. et al. Deep convolutional neural networks for detection of rail surface defects // 2016 International Joint Conference on Neural Networks (IJCNN). Red Hook, NY: IEEE, 2016. P. 2584–2589. [Текст в формате PDF]
  2. Habibi Aghdam H., Jahani Heravi E. Guide to Convolutional Neural Networks / H. Habibi Aghdam, E. Jahani Heravi, Cham: Springer International Publishing, 2017. 282 c.[Текст в формате PDF]
  3. Masci J. et al. Steel defect classification with Max-Pooling Convolutional Neural Networks // The 2012 International Joint Conference on Neural Networks (IJCNN). Red Hook, NY: IEEE, 2012. P. 762–767.[Текст в формате PDF]
  4. Neogi N., Mohanta D.K, Dutta P. K. Review of vision-based steel surface inspection systems // EURASIP Journal on Image and Video Processing. 2014. P. 1-19. DOI: https://doi.org/10.1186/1687-5281-2014-50 [Текст в формате PDF]
  5. Soukup D., Huber-Mörk R. Convolutional Neural Networks for Steel Surface Defect Detection from Photometric Stereo Images // Advances in Visual Computing. ISVC 2014. Lecture Notes in Computer Science, vol. 8887. Cham: Springer, 2014. P. 668–677.[Текст в формате PDF]
  6. Weimer D., Benggolo A. Y., Freitag M. Context-aware Deep Convolutional Neural Networks for Industrial Inspection // 28th Australasian Joint Conference on Artificial Intelligence. Deep Learning and its Applications in Vision and Robotics (Workshop). ePublication, 2015. P. 4. DOI: 10.13140/RG.2.1.2428.3765 [Текст в формате PDF][Презентация в формате PDF]
  7. Yi L., Li G., Jiang M. An End-to-End Steel Strip Surface Defects Recognition System Based on Convolutional Neural Networks // steel Res. Int. 2017. Vol. 88, № 2. P. 176–187.[Текст в формате PDF]
  8. Zhou S. et al. Classification of surface defects on steel sheet using convolutional neural networks // Mater. Tehnol. 2017. Vol. 51, № 1. P. 123–131.[Текст в формате PDF]

ПОСТЕРЫ

  1. A. Alvarez-Gila, A. Lopez-Cruz, S. Rodriguez-Vaamonde, M. Linares, J. A. Gutierrez-Olabarria, and E. Garrote, «Deep Convolutional Neural Networks for surface quality inspection of hot long metal products,» presented at the First European Machine Vision Forum, Heidelberg, Germany, 2016. [Текст в формате PDF]