論文の概要: Detection and Classification of Industrial Signal Lights for Factory Floors

• arxiv url: http://arxiv.org/abs/2004.11187v2
• Date: Thu, 28 May 2020 14:31:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:56:48.148183
• Title: Detection and Classification of Industrial Signal Lights for Factory Floors
• Title（参考訳）: 工場床の産業用信号光の検出と分類
• Authors: Felix Nilsson, Jens Jakobsen, Fernando Alonso-Fernandez
• Abstract要約: 目標は、工場のフロアを撮影するビデオカメラからの入力を用いて、運用状態を測定するソリューションを開発することである。 自動走行車における信号認識に一般的に用いられる手法を用いて、特定条件の99%以上の精度のシステムを示す。
• 参考スコア（独自算出の注目度）: 63.48764893706088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial manufacturing has developed during the last decades from a labor-intensive manual control of machines to a fully-connected automated process. The next big leap is known as industry 4.0, or smart manufacturing. With industry 4.0 comes increased integration between IT systems and the factory floor from the customer order system to final delivery of the product. One benefit of this integration is mass production of individually customized products. However, this has proven challenging to implement into existing factories, considering that their lifetime can be up to 30 years. The single most important parameter to measure in a factory is the operating hours of each machine. Operating hours can be affected by machine maintenance as well as re-configuration for different products. For older machines without connectivity, the operating state is typically indicated by signal lights of green, yellow and red colours. Accordingly, the goal is to develop a solution which can measure the operational state using the input from a video camera capturing a factory floor. Using methods commonly employed for traffic light recognition in autonomous cars, a system with an accuracy of over 99% in the specified conditions is presented. It is believed that if more diverse video data becomes available, a system with high reliability that generalizes well could be developed using a similar methodology.
• Abstract（参考訳）: 工業生産は、機械の労働集約的な手動制御から完全に接続された自動化プロセスまで、ここ数十年の間に発展してきた。 次の大きな飛躍は、業界4.0(スマートマニュファクチャリング)として知られる。 業界 4.0 では、ITシステムとファクトリフロアが顧客注文システムから製品の最終納品まで統合されていく。 この統合の利点の1つは、個別にカスタマイズされた製品の大量生産である。 しかし、その寿命が最大30年であることを考えると、既存の工場への導入は困難であることが証明されている。 工場で測定すべき最も重要なパラメータは、各マシンの動作時間である。 運用時間は、マシンのメンテナンスや、さまざまな製品の再設定に影響される可能性がある。 接続性のない古いマシンでは、通常、動作状態は緑、黄色、赤の信号灯で示される。 そのため,工場のフロアを撮影するビデオカメラからの入力を用いて運転状態を計測できるソリューションを開発することが目的である。 自動運転車における交通光認識に一般的に用いられる手法を用いて, 特定条件における精度99%以上のシステムを提案する。 より多様なビデオデータが利用可能になれば、同様の手法で優れた信頼性を持つシステムを開発することができると信じられている。

関連論文リスト

• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Neuro-symbolic Empowered Denoising Diffusion Probabilistic Models for Real-time Anomaly Detection in Industry 4.0 [9.903035948408316]
  本稿では,産業4.0プロセスにおけるリアルタイム異常予測のための拡散モデルを提案する。 ニューロシンボリックアプローチを用いて、我々は産業をモデルに統合し、スマートマニュファクチャリングに関するフォーマルな知識を付加する。
  論文  参考訳（メタデータ） (2023-07-13T13:52:41Z)
• Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories [0.0]
  サイバー物理コンバージェンス(サイバー物理コンバージェンス)は、産業界に新たなビジネスチャンスを開こうとしている。 サイバーと物理世界の深い統合の必要性は、新しいシステムとネットワークエンジニアリングのアプローチを統合するための豊富なビジネスアジェンダを確立する。 このデータ豊かでサイバー物理学的でスマートな工場環境から生まれた、最も実りある研究と実践の分野の1つは、データ駆動のプロセス監視分野である。
  論文  参考訳（メタデータ） (2022-12-12T23:45:59Z)
• Continual learning on deployment pipelines for Machine Learning Systems [4.884688557957589]
  機械学習システムの展開は、非常に重要なトピックになりつつある。 本稿では、理論と実践における様々な技術の利点とデメリットを比較した。 また、機械学習システムのデプロイに対する評価フレームワークの意識を高めることも目標としている。
  論文  参考訳（メタデータ） (2022-12-05T23:40:57Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• MMRNet: Improving Reliability for Multimodal Object Detection and Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
  マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。 これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。 システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
  論文  参考訳（メタデータ） (2022-10-19T19:15:07Z)
• Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
  本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。 要求の一部は、線形にスケールする通信アーキテクチャを開発することである。 このアプローチは、工業的要件に基づいた例を使って説明されます。
  論文  参考訳（メタデータ） (2022-05-06T18:44:29Z)
• An Automated Robotic Arm: A Machine Learning Approach [0.0]
  現代の産業は、手動によるシステムの制御から自動化へと急速にシフトしている。 コンピュータベースのシステムは、品質と生産性を向上させることができるが、作業には柔軟性がない。 工業的重要性の1つは、ある場所から別の場所へ物を選んで配置することである。
  論文  参考訳（メタデータ） (2022-01-07T10:33:01Z)
• On Event-Driven Knowledge Graph Completion in Digital Factories [15.028385991838052]
  産業アプリケーションに特化して適合する機械学習は、知識グラフの完成にどのように役立つかを示す。 我々はこれを実世界のスマートファクトリの知識グラフ上で評価し、結果を奨励する。
  論文  参考訳（メタデータ） (2021-09-08T14:01:42Z)
• AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
  本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。 その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。 このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
  論文  参考訳（メタデータ） (2021-02-02T09:59:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。