論文の概要: Automated Quality Control of Vacuum Insulated Glazing by Convolutional Neural Network Image Classification

• arxiv url: http://arxiv.org/abs/2110.08079v1
• Date: Fri, 15 Oct 2021 13:10:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 12:37:54.292301
• Title: Automated Quality Control of Vacuum Insulated Glazing by Convolutional Neural Network Image Classification
• Title（参考訳）: 畳み込みニューラルネットワーク画像分類による真空絶縁ガラスの自動品質制御
• Authors: Henrik Riedel and Sleheddine Mokdad and Isabell Schulz and Cenk Kocer and Philipp Rosendahl and Jens Schneider and Michael A. Kraus and Michael Drass
• Abstract要約: 我々は畳み込みニューラルネットワークを用いたディープラーニングコンピュータビジョンシステムを開発し、訓練し、テストした。 システムは、試験データセットを100%の受信機動作特性(ROC)に対して、曲線(AUC)以下の領域で完璧に分類した。 我々は、内部メカニズムを理解するために、説明可能な人工知能(XAI)の最先端のGrad-CAMとScore-CAMを用いている。
• 参考スコア（独自算出の注目度）: 5.2183907457242915
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vacuum Insulated Glazing (VIG) is a highly thermally insulating window technology, which boasts an extremely thin profile and lower weight as compared to gas-filled insulated glazing units of equivalent performance. The VIG is a double-pane configuration with a submillimeter vacuum gap between the panes and therefore under constant atmospheric pressure over their service life. Small pillars are positioned between the panes to maintain the gap, which can damage the glass reducing the lifetime of the VIG unit. To efficiently assess any surface damage on the glass, an automated damage detection system is highly desirable. For the purpose of classifying the damage, we have developed, trained, and tested a deep learning computer vision system using convolutional neural networks. The classification model flawlessly classified the test dataset with an area under the curve (AUC) for the receiver operating characteristic (ROC) of 100%. We have automatically cropped the images down to their relevant information by using Faster-RCNN to locate the position of the pillars. We employ the state-of-the-art methods Grad-CAM and Score-CAM of explainable Artificial Intelligence (XAI) to provide an understanding of the internal mechanisms and were able to show that our classifier outperforms ResNet50V2 for identification of crack locations and geometry. The proposed methods can therefore be used to detect systematic defects even without large amounts of training data. Further analyses of our model's predictive capabilities demonstrates its superiority over state-of-the-art models (ResNet50V2, ResNet101V2 and ResNet152V2) in terms of convergence speed, accuracy, precision at 100% recall and AUC for ROC.
• Abstract（参考訳）: vacuum insulated glazing (vig) は、非常に熱的に絶縁された窓技術であり、同等の性能のガスで満たされた絶縁されたガラスの単位と比較して非常に薄い形状と重量を誇っている。 VIGは、パネル間のサブミリ波真空ギャップを持つ二重パネル構成であり、従ってその寿命に対して一定の気圧下にある。 小さな柱は隙間を維持するためにパネルの間に配置されており、VIGユニットの寿命を縮めるガラスを損傷させる可能性がある。 ガラスの表面損傷を効率的に評価するためには、自動損傷検出システムが非常に望ましい。 損傷を分類するために,畳み込みニューラルネットワークを用いた深層学習コンピュータビジョンシステムを開発した。 分類モデルは、試験データセットを100%の受信操作特性(ROC)に対して、曲線(AUC)以下の領域で完璧に分類した。 我々は、Faster-RCNNを使って柱の位置を特定することで、画像を自動的に関連情報まで抽出した。 解析可能な人工知能(XAI)の最先端手法であるGrad-CAMとScore-CAMを用いて,内部メカニズムの理解と,分類器が亀裂の位置と形状を識別するためにResNet50V2より優れていることを示す。 提案手法は,大量のトレーニングデータを用いなくても,系統的な欠陥を検出することができる。 我々のモデル予測能力のさらなる分析は、収束速度、精度、100%リコール精度の精度で最先端モデル(ResNet50V2、ResNet101V2、ResNet152V2)よりも優れていることを示す。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Edge AI-Enabled Chicken Health Detection Based on Enhanced FCOS-Lite and Knowledge Distillation [10.91854762223235]
  AIoT技術は現代の養鶏経営において重要なトレンドとなり、農業作業の最適化と人的ワークロード削減の可能性を秘めている。 本稿では,エッジAI機能付きCMOSセンサを備えた軽量でインテリジェントなカメラを用いて,ニワトリとその健康状態を特定するための,リアルタイムかつコンパクトなエッジAI対応検出器を提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:21:07Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation [9.784061533539822]
  畳み込みニューラルネットワーク(CNN)は、PV細胞の既存の自動欠陥検出に広く用いられている。 本稿では,ニューラルアーキテクチャ探索と知識蒸留に基づくPVセルの自動欠陥検出のための軽量高性能モデルを提案する。 提案した軽量高性能モデルは、実際の産業プロジェクトのエンドデバイスに容易に展開でき、精度を維持できる。
  論文  参考訳（メタデータ） (2023-02-15T04:00:35Z)
• Automated Defect Recognition of Castings defects using Neural Networks [2.4999739879492084]
  CNNモデルは自動車用アルミニウム鋳造データセット(GDXray)に適用した場合、94.2%の精度(mAP@IoU=50%)を達成する 産業環境では,DICOM画像当たり400ms以下であり,納期に影響を与えることなく生産施設に設置することができる。
  論文  参考訳（メタデータ） (2022-09-06T08:10:48Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)

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。