論文の概要: Classification of Spot-welded Joints in Laser Thermography Data using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2010.12976v1
• Date: Sat, 24 Oct 2020 20:38:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:19:05.298030
• Title: Classification of Spot-welded Joints in Laser Thermography Data using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いたレーザーサーモグラフィーデータにおけるスポット溶接継手の分類
• Authors: Linh K\"astner, Samim Ahmadi, Florian Jonietz, Mathias Ziegler, Peter Jung, Giuseppe Caire and Jens Lambrecht
• Abstract要約: レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。 我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
• 参考スコア（独自算出の注目度）: 52.661521064098416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spot welding is a crucial process step in various industries. However, classification of spot welding quality is still a tedious process due to the complexity and sensitivity of the test material, which drain conventional approaches to its limits. In this paper, we propose an approach for quality inspection of spot weldings using images from laser thermography data.We propose data preparation approaches based on the underlying physics of spot welded joints, heated with pulsed laser thermography by analyzing the intensity over time and derive dedicated data filters to generate training datasets. Subsequently, we utilize convolutional neural networks to classify weld quality and compare the performance of different models against each other. We achieve competitive results in terms of classifying the different welding quality classes compared to traditional approaches, reaching an accuracy of more than 95 percent. Finally, we explore the effect of different augmentation methods.
• Abstract（参考訳）: スポット溶接は様々な産業において重要なプロセスである。 しかし, スポット溶接品質の分類は, 試験材の複雑さと感度が原因で, 従来のアプローチを限界に落としているため, いまだに面倒なプロセスである。 本稿では,レーザーサーモグラフィによる画像を用いたスポット溶接の品質検査手法を提案する。我々はスポット溶接継手の基礎物理に基づくデータ作成手法を提案し,パルスレーザーサーモグラフィを用いて時間経過の強度を解析し,専用データフィルタを導出してトレーニングデータセットを生成する。 次に,畳み込みニューラルネットワークを用いて溶接品質を分類し,異なるモデルの性能を比較する。 従来の手法と比較して溶接品質の異なるクラスを分類し,95%以上の精度を達成している。 最後に,様々な拡張手法の効果について検討する。

関連論文リスト

• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Investigating the ability of deep learning to predict Welding Depth and Pore Volume in Hairpin Welding [0.0]
  本研究では,2つの臨界溶接部のキー性能特性(KPC)の予測を可能にする深層学習モデルを提案する。 DLネットワークを小さな数値実験ヘアピン溶接データセットに適用すると,有望な結果が得られた。
  論文  参考訳（メタデータ） (2023-12-04T03:38:17Z)
• 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)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• TeSLA: Test-Time Self-Learning With Automatic Adversarial Augmentation [13.515566909672188]
  本稿では,TeSLAと呼ばれる自動適応型自己学習手法を提案する。 我々は,相互情報とオンライン知識蒸留との密接な関係を通じて,新たなテスト時間損失関数を導入する。 提案手法は,いくつかのベンチマークやドメインシフトのタイプにおいて,最先端の分類とセグメンテーション結果を実現する。
  論文  参考訳（メタデータ） (2023-03-17T10:15:13Z)
• 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)
• Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
  我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。 実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-23T14:18:39Z)
• Deep Learning Model Explainability for Inspection Accuracy Improvement in the Automotive Industry [0.0]
  本研究の目的は, 溶接シームの分類精度と信頼性の向上に対する深層学習モデル説明可能性の寄与を把握し, 強調することである。 本稿では,モデル予測スコアとモデルの視覚的説明熱マップを組み合わせたハイブリッド手法を提案する。 その結果,ハイブリッドモデルの性能は目標よりも相対的に高く,少なくとも18%の精度向上に寄与していることがわかった。
  論文  参考訳（メタデータ） (2021-10-07T12:23:00Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Toward Fault Detection in Industrial Welding Processes with Deep Learning and Data Augmentation [0.0]
  本稿では,AIツールの産業的実現における課題について述べる。 我々はオブジェクト検出APIからオブジェクト検出アルゴリズムを使用し、転送学習を用いてユースケースに適応する。 画像拡張によるデータセットの適度なスケーリングは、結合(IoU)とリコールの交差点の改善につながる。
  論文  参考訳（メタデータ） (2021-06-18T14:52:49Z)

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。