論文の概要: An Uncertainty-Aware Deep Learning Framework for Defect Detection in Casting Products

• arxiv url: http://arxiv.org/abs/2107.11643v1
• Date: Sat, 24 Jul 2021 16:17:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:08:36.363177
• Title: An Uncertainty-Aware Deep Learning Framework for Defect Detection in Casting Products
• Title（参考訳）: 鋳造品の欠陥検出のための不確実性を考慮した深層学習フレームワーク
• Authors: Maryam Habibpour, Hassan Gharoun, AmirReza Tajally, Afshar Shamsi, Hamzeh Asgharnezhad, Abbas Khosravi, and Saeid Nahavandi
• Abstract要約: 鋳造工程の複雑さのため、鋳造工程では欠陥は避けられない。 CNNは画像分類と欠陥検出の両方に広く応用されている。 頻繁な推測を持つCNNは、トレーニングするために大量のデータを必要とし、予測の不確実性に関する有益な見積もりを報告するのに依然として不足している。
• 参考スコア（独自算出の注目度）: 11.792984988875157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defects are unavoidable in casting production owing to the complexity of the casting process. While conventional human-visual inspection of casting products is slow and unproductive in mass productions, an automatic and reliable defect detection not just enhances the quality control process but positively improves productivity. However, casting defect detection is a challenging task due to diversity and variation in defects' appearance. Convolutional neural networks (CNNs) have been widely applied in both image classification and defect detection tasks. Howbeit, CNNs with frequentist inference require a massive amount of data to train on and still fall short in reporting beneficial estimates of their predictive uncertainty. Accordingly, leveraging the transfer learning paradigm, we first apply four powerful CNN-based models (VGG16, ResNet50, DenseNet121, and InceptionResNetV2) on a small dataset to extract meaningful features. Extracted features are then processed by various machine learning algorithms to perform the classification task. Simulation results demonstrate that linear support vector machine (SVM) and multi-layer perceptron (MLP) show the finest performance in defect detection of casting images. Secondly, to achieve a reliable classification and to measure epistemic uncertainty, we employ an uncertainty quantification (UQ) technique (ensemble of MLP models) using features extracted from four pre-trained CNNs. UQ confusion matrix and uncertainty accuracy metric are also utilized to evaluate the predictive uncertainty estimates. Comprehensive comparisons reveal that UQ method based on VGG16 outperforms others to fetch uncertainty. We believe an uncertainty-aware automatic defect detection solution will reinforce casting productions quality assurance.
• Abstract（参考訳）: 鋳造工程の複雑さにより、鋳造工程の欠陥は避けられない。 従来の鋳造品の視認検査は、大量生産では遅く非生産的であるが、自動的かつ信頼性の高い欠陥検出は品質管理プロセスを向上させるだけでなく、生産性を正に向上させる。 しかし, 鋳造欠陥検出は, 欠陥の外観の多様性や多様性から, 難しい課題である。 畳み込みニューラルネットワーク(CNN)は画像分類と欠陥検出の両方に広く応用されている。 しかし、頻繁な推測を持つCNNは、トレーニングするために大量のデータを必要とし、予測の不確実性に関する有益な見積もりを報告するのに不足している。 そこで、転送学習のパラダイムを活用して、まず4つの強力なCNNモデル(VGG16、ResNet50、DenseNet121、InceptionResNetV2)を小さなデータセットに適用し、意味のある特徴を抽出する。 抽出された特徴は、さまざまな機械学習アルゴリズムによって処理され、分類タスクを実行する。 シミュレーションにより, 鋳造画像の欠陥検出において, 線形支持ベクトルマシン (SVM) と多層パーセプトロン (MLP) が最も優れた性能を示した。 次に、4つの事前学習CNNから抽出した特徴を用いた不確実性定量化(UQ)手法(MLPモデルのアンサンブル)を用いて、信頼性の高い分類とてんかん不確実性の測定を行う。 また、UQ混乱行列と不確実性精度測定値を用いて予測不確実性推定を評価する。 包括的比較により、vgg16に基づくuqメソッドは他のメソッドよりも不確実性を取得する。 不確実性を認識した自動欠陥検出ソリューションは、鋳造品質保証を強化するだろう。

関連論文リスト

• Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
  本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。 提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
  論文  参考訳（メタデータ） (2024-11-17T10:19:54Z)
• Error-Driven Uncertainty Aware Training [7.702016079410588]
  Error-Driven Uncertainty Aware Trainingは、ニューラル分類器が不確実性を正確に推定する能力を高めることを目的としている。 EUATアプローチは、モデルのトレーニングフェーズ中に、トレーニング例が正しく予測されているか、あるいは正しく予測されているかによって、2つの損失関数を選択的に使用することによって機能する。 画像認識領域における多様なニューラルモデルとデータセットを用いてEUATを評価する。
  論文  参考訳（メタデータ） (2024-05-02T11:48:14Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Taguchi based Design of Sequential Convolution Neural Network for Classification of Defective Fasteners [0.08795040582681389]
  本研究は, 田口による実験・解析の設計を用いて, 頑健な自動システムの開発を行う。 提案されたシーケンシャルCNNは96.3%のバリデーション精度、0.277のバリデーション損失0.001の学習率を持つ。
  論文  参考訳（メタデータ） (2022-07-22T10:26:07Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• A Simple Framework to Quantify Different Types of Uncertainty in Deep Neural Networks for Image Classification [0.0]
  モデルの予測の不確実性を定量化することは、AIシステムの安全性を高めるために重要である。 これは、自動運転車の制御、医療画像分析、財務推定、法的分野など、エラーのコストが高いアプリケーションにとって極めて重要である。 本稿では,画像分類の課題に対して,Deep Neural Networksにおいて既知の3種類の不確実性を捕捉し,定量化するための完全なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-17T15:36:42Z)
• Revisiting One-vs-All Classifiers for Predictive Uncertainty and Out-of-Distribution Detection in Neural Networks [22.34227625637843]
  識別型分類器における確率のパラメトリゼーションが不確実性推定に与える影響について検討する。 画像分類タスクのキャリブレーションを改善するために, 1-vs-all の定式化が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-10T01:55:02Z)

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。