論文の概要: Streaming Machine Learning and Online Active Learning for Automated Visual Inspection

• arxiv url: http://arxiv.org/abs/2110.09396v1
• Date: Fri, 15 Oct 2021 09:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 20:10:42.605717
• Title: Streaming Machine Learning and Online Active Learning for Automated Visual Inspection
• Title（参考訳）: 自動視覚検査のためのストリーミング機械学習とオンラインアクティブ学習
• Authors: Jo\v{z}e M. Ro\v{z}anec, Elena Trajkova, Paulien Dam, Bla\v{z} Fortuna, Dunja Mladeni\'c
• Abstract要約: 我々は,Philips Consumer Lifestyle BVが提供する実世界のデータと,視覚的欠陥検査に適用された5つのストリーミング機械学習アルゴリズムを比較した。 以上の結果から,アクティブラーニングがデータラベリングの労力を,最悪の場合平均で約15%削減できることが示唆された。 自動視覚検査に機械学習モデルを使用することで、品質検査を最大40%高速化することが期待されている。
• 参考スコア（独自算出の注目度）: 0.6299766708197884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality control is a key activity performed by manufacturing companies to verify product conformance to the requirements and specifications. Standardized quality control ensures that all the products are evaluated under the same criteria. The decreased cost of sensors and connectivity enabled an increasing digitalization of manufacturing and provided greater data availability. Such data availability has spurred the development of artificial intelligence models, which allow higher degrees of automation and reduced bias when inspecting the products. Furthermore, the increased speed of inspection reduces overall costs and time required for defect inspection. In this research, we compare five streaming machine learning algorithms applied to visual defect inspection with real-world data provided by Philips Consumer Lifestyle BV. Furthermore, we compare them in a streaming active learning context, which reduces the data labeling effort in a real-world context. Our results show that active learning reduces the data labeling effort by almost 15% on average for the worst case, while keeping an acceptable classification performance. The use of machine learning models for automated visual inspection are expected to speed up the quality inspection up to 40%.
• Abstract（参考訳）: 品質管理は、製造会社が要求や仕様に準拠した製品を検証するために行う重要な活動である。 標準化された品質管理は、すべての製品が同じ基準で評価されることを保証する。 センサーと接続のコストの削減により、製造のデジタル化が進み、データ可用性が向上した。 このようなデータの可用性は、AIモデルの開発を加速させ、製品の検査時により高度な自動化とバイアスの低減を可能にした。 さらに,検査速度の増大は,欠陥検査に必要な総コストと時間を削減する。 本研究では,Philips Consumer Lifestyle BVが提供する実世界のデータと,視覚的欠陥検査に応用した5つのストリーミング機械学習アルゴリズムを比較した。 さらに、ストリーミングのアクティブラーニングコンテキストで比較することで、現実世界のコンテキストにおけるデータラベリングの労力を削減できる。 以上の結果から,アクティブラーニングにより,分類性能を維持しつつ,データラベル作成に要する労力を平均15%削減できることがわかった。 自動視覚検査のための機械学習モデルの使用は、品質検査を最大40%高速化することが期待されている。

関連論文リスト

• A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
  視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。 これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。 本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
  論文  参考訳（メタデータ） (2024-01-27T16:13:32Z)
• Pseudo Replay-based Class Continual Learning for Online New Category Anomaly Detection in Advanced Manufacturing [5.012204041812572]
  本稿では,新しい擬似リプレイ型連続学習フレームワークを開発する。 クラスインクリメンタル学習とオーバーサンプリングベースのデータ生成を統合している。 提案手法の有効性を3つのケーススタディで検証した。
  論文  参考訳（メタデータ） (2023-12-05T04:43:23Z)
• Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality Control [0.0]
  本稿では,教師なしクラス選択による欠陥ローカライズオートエンコーダを提案する。 選択された欠陥のクラスは、人工的な欠陥をシミュレートするために天然の野生のテクスチャで強化される。 提案手法は, 家具用メラミン面板における品質欠陥の高精度かつ高精度な位置決めを行うことで, 有望な結果を示すものである。
  論文  参考訳（メタデータ） (2023-09-13T11:18:15Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection [0.440401067183266]
  最先端の教師なし欠陥検出は教師付きモデルの性能と一致しない。 AUC ROCスコアが 0,9898 以上である GAN ベースのデータ生成を考慮し, 最高の分類性能が得られた。
  論文  参考訳（メタデータ） (2022-12-19T09:31:15Z)
• Active Learning and Approximate Model Calibration for Automated Visual Inspection in Manufacturing [0.415623340386296]
  本研究は,3つの積極的学習アプローチ(単一と複数オーラクル)と視覚検査を比較した。 本稿では,分類モデルの確率キャリブレーションに対する新しいアプローチと,基礎的真理を必要とせずにキャリブレーションの性能を評価するための2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2022-09-12T15:00:29Z)
• 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)
• Active Learning for Automated Visual Inspection of Manufactured Products [0.6299766708197884]
  実世界のデータを用いた視覚的欠陥検査に応用した3つのアクティブな学習手法と5つの機械学習アルゴリズムを比較した。 その結果,アクティブラーニングは,モデルの性能を損なうことなく,データラベリングの労力を削減できることが示唆された。
  論文  参考訳（メタデータ） (2021-09-06T13:44:25Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
  本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。 システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
  論文  参考訳（メタデータ） (2021-01-11T08:14:35Z)

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。