論文の概要: Synthetic training data generation for deep learning based quality inspection

• arxiv url: http://arxiv.org/abs/2104.02980v1
• Date: Wed, 7 Apr 2021 08:07:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 13:05:36.762956
• Title: Synthetic training data generation for deep learning based quality inspection
• Title（参考訳）: ディープラーニングに基づく品質検査のための合成学習データ生成
• Authors: Pierre Gutierrez, Maria Luschkova, Antoine Cordier, Mustafa Shukor, Mona Schappert, and Tim Dahmen
• Abstract要約: 欠陥のある部分や正常な部分(欠陥のない部分)の画像を描画する汎用的なシミュレーションパイプラインを提案する。 深層学習ネットワークを訓練し、製造元からの実データでテストすることで、生成した画像の品質を評価する。
• 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: Deep learning is now the gold standard in computer vision-based quality inspection systems. In order to detect defects, supervised learning is often utilized, but necessitates a large amount of annotated images, which can be costly: collecting, cleaning, and annotating the data is tedious and limits the speed at which a system can be deployed as everything the system must detect needs to be observed first. This can impede the inspection of rare defects, since very few samples can be collected by the manufacturer. In this work, we focus on simulations to solve this issue. We first present a generic simulation pipeline to render images of defective or healthy (non defective) parts. As metallic parts can be highly textured with small defects like holes, we design a texture scanning and generation method. We assess the quality of the generated images by training deep learning networks and by testing them on real data from a manufacturer. We demonstrate that we can achieve encouraging results on real defect detection using purely simulated data. Additionally, we are able to improve global performances by concatenating simulated and real data, showing that simulations can complement real images to boost performances. Lastly, using domain adaptation techniques helps improving slightly our final results.
• Abstract（参考訳）: ディープラーニングは現在、コンピュータビジョンに基づく品質検査システムの黄金の標準である。 欠陥を検出するには、教師付き学習をしばしば利用するが、大量の注釈付き画像が必要であり、データの収集、クリーニング、注釈付けは退屈であり、システムが最初に検出する必要があるものすべてに注意する必要があるため、システムがデプロイされる速度を制限できる。 これは、製造者がごくわずかなサンプルを収集できるため、希少な欠陥の検査を妨げる可能性がある。 本研究では,この問題を解決するためのシミュレーションに着目する。 まず,欠陥のある部分や健全な部分(欠陥のない部分)の画像をレンダリングする汎用シミュレーションパイプラインを提案する。 金属部品は穴等の小さな欠陥により高テクスチャ化できるため,テクスチャスキャニングと生成方法を設計する。 深層学習ネットワークを訓練し、製造元からの実データでテストすることで、生成した画像の品質を評価する。 純粋にシミュレーションされたデータを用いて実欠陥検出の結果を奨励できることを実証する。 さらに,シミュレーションと実データを結合することで,実画像を補完することにより,実画像のパフォーマンスを向上できることを示した。 最後に、ドメイン適応技術を使うことは、最終結果のわずかに改善に役立つ。

関連論文リスト

• 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)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• Deep Learning of Crystalline Defects from TEM images: A Solution for the Problem of "Never Enough Training Data" [0.0]
  In-situ TEM実験は、転位がどのように振る舞うか、動きについて重要な洞察を与えることができる。 個々のビデオフレームの分析は有用な洞察を提供するが、自動識別の能力によって制限される。 本研究では,転位セグメンテーションのための合成トレーニングデータを生成するパラメトリックモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-12T17:37:46Z)
• 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)
• 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)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
  本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。 この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。 生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
  論文  参考訳（メタデータ） (2020-03-02T17:49:32Z)

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。