論文の概要: One-Shot Recognition of Manufacturing Defects in Steel Surfaces

• arxiv url: http://arxiv.org/abs/2005.05815v1
• Date: Tue, 12 May 2020 14:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:05:00.170388
• Title: One-Shot Recognition of Manufacturing Defects in Steel Surfaces
• Title（参考訳）: 鋼表面における製造欠陥のワンショット認識
• Authors: Aditya M. Deshpande and Ali A. Minai and Manish Kumar
• Abstract要約: 本稿では,課題のワンショット認識にシームズ畳み込みニューラルネットワークを適用することを提案する。 本研究は, 鋼表面欠陥の同定により, 鋼の品質管理にワンショット学習が有効であることを示すものである。
• 参考スコア（独自算出の注目度）: 1.0987465819113238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality control is an essential process in manufacturing to make the product defect-free as well as to meet customer needs. The automation of this process is important to maintain high quality along with the high manufacturing throughput. With recent developments in deep learning and computer vision technologies, it has become possible to detect various features from the images with near-human accuracy. However, many of these approaches are data intensive. Training and deployment of such a system on manufacturing floors may become expensive and time-consuming. The need for large amounts of training data is one of the limitations of the applicability of these approaches in real-world manufacturing systems. In this work, we propose the application of a Siamese convolutional neural network to do one-shot recognition for such a task. Our results demonstrate how one-shot learning can be used in quality control of steel by identification of defects on the steel surface. This method can significantly reduce the requirements of training data and can also be run in real-time.
• Abstract（参考訳）: 品質管理は、欠陥のない製品と顧客ニーズを満たすために、製造において不可欠なプロセスである。 このプロセスの自動化は、高い製造スループットとともに高品質を維持するために重要です。 近年のディープラーニングやコンピュータビジョン技術の進歩により、画像から人間に近い精度で様々な特徴を検出できるようになった。 しかし、これらのアプローチの多くはデータ集約的です。 このようなシステムを製造フロア上での訓練と展開は、高価で時間がかかる可能性がある。 大量のトレーニングデータの必要性は、実際の製造システムにおけるこれらのアプローチの適用性の限界の1つである。 本研究では,シームズ畳み込みニューラルネットワークを応用して,そのようなタスクをワンショット認識する手法を提案する。 本研究は,鋼板表面欠陥の同定により,鋼板の品質管理にワンショット学習を応用できることを実証する。 この方法は、トレーニングデータの要求を大幅に低減し、リアルタイムに実行することもできる。

関連論文リスト

• A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
  視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。 これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。 本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
  論文  参考訳（メタデータ） (2024-01-27T16:13:32Z)
• Towards a Deep Learning-based Online Quality Prediction System for Welding Processes [4.923235962860045]
  溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。 ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。 本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
  論文  参考訳（メタデータ） (2023-10-19T10:35:50Z)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection [1.3198689566654107]
  高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。 ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。 データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
  論文  参考訳（メタデータ） (2023-05-16T12:51:51Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Improving generalization with synthetic training data for deep learning based quality inspection [0.0]
  教師付きディープラーニングは、トレーニングのために大量の注釈付きイメージを必要とする。 実際には、そのようなデータの収集と注釈付けは費用がかかり、手間がかかる。 ランダムに生成した合成訓練画像を用いることで、領域不安定性に対処できることを示す。
  論文  参考訳（メタデータ） (2022-02-25T16:51:01Z)
• An IIoT machine model for achieving consistency in product quality in manufacturing plants [0.5574339026647824]
  本稿では,植物機械の効率的な監視と制御を可能にする産業用IoT(Industrial Internet of Things)マシンモデルを提案する。 提案アルゴリズムは製品の品質を高い精度で予測し,効率的な生産監視と制御を可能にする。
  論文  参考訳（メタデータ） (2021-09-27T11:42:17Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。