論文の概要: GAN based ball screw drive picture database enlargement for failure
classification
- arxiv url: http://arxiv.org/abs/2011.10235v1
- Date: Fri, 20 Nov 2020 06:49:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 06:33:34.699475
- Title: GAN based ball screw drive picture database enlargement for failure
classification
- Title(参考訳): 故障分類のためのGANベースボールスクリュー駆動画像データベースの拡張
- Authors: Tobias Schlagenhauf, Chenwei Sun, J\"urgen Fleischer
- Abstract要約: 本研究の目的は, 生成逆数ネットワーク(GAN)に基づいて合成画像を生成し, ボールねじ面故障の画像データセットを拡大することである。
GANをベースとした生成画像が障害分類性能を向上できるかどうかを検証するため、実画像データセットをGANベースの生成画像に置き換えた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The lack of reliable large datasets is one of the biggest difficulties of
using modern machine learning methods in the field of failure detection in the
manufacturing industry. In order to develop the function of failure
classification for ball screw surface, sufficient image data of surface
failures is necessary. When training a neural network model based on a small
dataset, the trained model may lack the generalization ability and may perform
poorly in practice. The main goal of this paper is to generate synthetic images
based on the generative adversarial network (GAN) to enlarge the image dataset
of ball screw surface failures. Pitting failure and rust failure are two
possible failure types on ball screw surface chosen in this paper to represent
the surface failure classes. The quality and diversity of generated images are
evaluated afterwards using qualitative methods including expert observation,
t-SNE visualization and the quantitative method of FID score. To verify whether
the GAN based generated images can increase failure classification performance,
the real image dataset was augmented and replaced by GAN based generated images
to do the classification task. The authors successfully created GAN based
images of ball screw surface failures which showed positive effect on
classification test performance.
- Abstract(参考訳): 信頼性の高い大規模データセットの欠如は、製造業における障害検出の分野で、現代の機械学習手法を使用する上での最大の難点の1つだ。
ボールねじ面の故障分類機能を開発するためには, 表面欠陥の十分な画像データが必要である。
小さなデータセットに基づいてニューラルネットワークモデルをトレーニングする場合、トレーニングされたモデルは一般化能力に欠ける可能性があり、実際にはあまり機能しない可能性がある。
本研究の目的は, 生成逆数ネットワーク(GAN)に基づいて合成画像を生成し, ボールねじ面故障の画像データセットを拡大することである。
ピッティング障害とrust障害は,表面障害クラスを表現するために,ボールスクリュー表面で選択される2つの障害タイプである。
得られた画像の品質と多様性を、専門家の観察、t-SNE可視化、FIDスコアの定量的手法を含む定性的な方法を用いて評価する。
GANをベースとした生成画像が障害分類性能を向上できるかどうかを検証するため、実画像データセットをGANベースの生成画像に置き換えて分類処理を行った。
著者らは, ボールスクリュー表面欠陥のGANに基づく画像の作成に成功し, 分類試験性能に正の効果を示した。
関連論文リスト
- Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳(メタデータ) (2024-11-28T13:04:45Z) - AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines [0.0]
製造パイプラインにおける異常検出は、産業環境の複雑さと変動性によって強化され、依然として重要な課題である。
本稿では,スマート製造パイプラインに適した解釈可能な画像ベース異常検出システムAssemAIを紹介する。
論文 参考訳(メタデータ) (2024-08-05T01:50:09Z) - Modeling & Evaluating the Performance of Convolutional Neural Networks for Classifying Steel Surface Defects [0.0]
近年,畳み込みニューラルネットワーク(CNN)により画像分類タスクにおける顕著な識別率が達成されている。
DenseNet201は、NEUデータセットで最大の検出率を示し、98.37%に低下した。
論文 参考訳(メタデータ) (2024-06-19T08:14:50Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳(メタデータ) (2024-03-23T22:32:06Z) - X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake
Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。
本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。
インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文 参考訳(メタデータ) (2023-10-07T01:23:49Z) - Local Distortion Aware Efficient Transformer Adaptation for Image
Quality Assessment [62.074473976962835]
局所歪み特性を適切に注入することにより、IQAタスクにおいて、より大きな事前訓練および固定された基礎モデルがより優れた性能を発揮することを示す。
具体的には、局所歪み構造と視覚変換器(ViT)の誘導バイアスの欠如に対して、別の事前学習畳み込みニューラルネットワーク(CNN)を用いる。
本研究では, 予め訓練したCNNから局所歪み特徴を得るための局所歪み抽出器と, 局所歪み特徴をViTに注入する局所歪み注入器を提案する。
論文 参考訳(メタデータ) (2023-08-23T08:41:21Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - 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) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳(メタデータ) (2021-10-25T21:01:00Z) - Performance, Successes and Limitations of Deep Learning Semantic
Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。
本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。
全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
論文 参考訳(メタデータ) (2021-10-15T17:57:59Z) - Unsupervised machine learning via transfer learning and k-means
clustering to classify materials image data [0.0]
本稿では,画像分類のための高性能な教師なし機械学習システムの構築,利用,評価について述べる。
我々は、自然画像のImageNetデータセット上に事前訓練されたVGG16畳み込みニューラルネットワークを用いて、各マイクログラフの特徴表現を抽出する。
このアプローチは、99.4% pm 0.16%$の精度を実現し、結果として得られたモデルは、再トレーニングせずに、新しい画像の分類に使うことができる。
論文 参考訳(メタデータ) (2020-07-16T14:36:04Z)
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。