論文の概要: Workpiece Image-based Tool Wear Classification in Blanking Processes Using Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2107.12034v1
• Date: Mon, 26 Jul 2021 08:49:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:14:26.460170
• Title: Workpiece Image-based Tool Wear Classification in Blanking Processes Using Deep Convolutional Neural Networks
• Title（参考訳）: 深部畳み込みニューラルネットワークを用いたブランキング過程のワークピース画像に基づくツールウェア分類
• Authors: Dirk Alexander Molitor and Christian Kubik and Ruben Helmut Hetfleisch and Peter Groche
• Abstract要約: ブランキングプロセスは、その経済効率のために最も広く使われている製造技術に属している。 彼らの経済的生存性は、製品の品質と関連する顧客満足度、および可能なダウンタイムに大きく依存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blanking processes belong to the most widely used manufacturing techniques due to their economic efficiency. Their economic viability depends to a large extent on the resulting product quality and the associated customer satisfaction as well as on possible downtimes. In particular, the occurrence of increased tool wear reduces the product quality and leads to downtimes, which is why considerable research has been carried out in recent years with regard to wear detection. While processes have widely been monitored based on force and acceleration signals, a new approach is pursued in this paper. Blanked workpieces manufactured by punches with 16 different wear states are photographed and then used as inputs for Deep Convolutional Neural Networks to classify wear states. The results show that wear states can be predicted with surprisingly high accuracy, opening up new possibilities and research opportunities for tool wear monitoring of blanking processes.
• Abstract（参考訳）: ブランキングプロセスはその経済効率のために最も広く使われている製造技術に属する。 彼らの経済性は、製品の品質と関連する顧客満足度、そして可能なダウンタイムに大きく依存します。 特に、工具摩耗の増加は製品品質を低下させ、ダウンタイムにつながるため、近年では摩耗検出に関する研究が盛んに行われている。 プロセスは力と加速度の信号に基づいて広く監視されているが,本論文では新たなアプローチを追求する。 16種類の異なる摩耗状態のパンチで製造されたブランクワークを撮影し、深層畳み込みニューラルネットワークの入力として使用して摩耗状態を分類する。 その結果, 摩耗状態を驚くほど高い精度で予測し, 工具摩耗監視のための新たな可能性と研究の機会が得られた。

関連論文リスト

• Exploring The Neural Burden In Pruned Models: An Insight Inspired By Neuroscience [11.356550034255296]
  プルーニング技術はネットワークのかなりの部分を取り除くために広く使われている。 これらの手法はFLOPのかなりの割合を削減できるが、しばしばモデルの性能を低下させる。 我々はニューラルバーデンというニューラルニューラルネットワークモデルの新しい概念を提案する。
  論文  参考訳（メタデータ） (2024-07-23T03:43:21Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• A Computer Vision-Based Quality Assessment Technique for the automatic control of consumables for analytical laboratories [0.0]
  分析実験室で使用されるプラスチック消費財の製造プロセスにおいて, 新たな自動モニタリングシステムを提案する。 手動設計のディープ・ネットワーク・モデルを用いて、いくつかの最先端モデルと比較し、バイアルの異なるイメージを分類する能力について検討する。 我々のモデルは、その能力において著しく優れており、非常に少ないリソースを必要とします。
  論文  参考訳（メタデータ） (2024-04-16T10:50:16Z)
• Tool Wear Segmentation in Blanking Processes with Fully Convolutional Networks based Digital Image Processing [0.0]
  本稿では,600spmのツールの高解像度画像を,セマンティックセグメンテーション深層学習アルゴリズムを用いてキャプチャし,処理する方法を示す。 125,000枚のツールの画像が連続するストロークから撮影され、顕微鏡画像が観察され、摩耗面を観察する。
  論文  参考訳（メタデータ） (2023-10-06T11:40:16Z)
• 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)
• Convolutional neural networks and multi-threshold analysis for contamination detection in the apparel industry [0.0]
  この研究は、完成品の小さな部品が与える汚染を自動的に検出するものである。 検出器は実際の生産工場に配備された。
  論文  参考訳（メタデータ） (2022-07-26T08:21:41Z)
• GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
  グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。 我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
  論文  参考訳（メタデータ） (2022-01-31T11:14:51Z)
• TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
  TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。 TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
  論文  参考訳（メタデータ） (2021-11-29T04:19:28Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)
• A Novel Visual Fault Detection and Classification System for Semiconductor Manufacturing Using Stacked Hybrid Convolutional Neural Networks [0.24999074238880484]
  半導体産業における自動視覚検査は、製造欠陥を検出し分類することを目的としている。 この貢献により、新しいディープニューラルネットワークベースのハイブリッドアプローチが導入される。 階層化されたハイブリッド畳み込みニューラルネットワーク(SH-CNN)を構成し、視覚的注意の現在のアプローチにインスパイアされたシステムは、その構造から詳細レベルに焦点をあてる。
  論文  参考訳（メタデータ） (2019-11-25T21:58:28Z)

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。