論文の概要: TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection

• arxiv url: http://arxiv.org/abs/2111.14319v1
• Date: Mon, 29 Nov 2021 04:19:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 14:59:07.040913
• Title: TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection
• Title（参考訳）: TinyDefectNet:高出力ビジュアル品質検査のための超小型ディープニューラルネットワークアーキテクチャ
• Authors: Mohammad Javad Shafiee, Mahmoud Famouri, Gautam Bathla, Francis Li, and Alexander Wong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.88856890443851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A critical aspect in the manufacturing process is the visual quality inspection of manufactured components for defects and flaws. Human-only visual inspection can be very time-consuming and laborious, and is a significant bottleneck especially for high-throughput manufacturing scenarios. Given significant advances in the field of deep learning, automated visual quality inspection can lead to highly efficient and reliable detection of defects and flaws during the manufacturing process. However, deep learning-driven visual inspection methods often necessitate significant computational resources, thus limiting throughput and act as a bottleneck to widespread adoption for enabling smart factories. In this study, we investigated the utilization of a machine-driven design exploration approach to create TinyDefectNet, a highly compact deep convolutional network architecture tailored for high-throughput manufacturing visual quality inspection. TinyDefectNet comprises of just ~427K parameters and has a computational complexity of ~97M FLOPs, yet achieving a detection accuracy of a state-of-the-art architecture for the task of surface defect detection on the NEU defect benchmark dataset. As such, TinyDefectNet can achieve the same level of detection performance at 52$\times$ lower architectural complexity and 11x lower computational complexity. Furthermore, TinyDefectNet was deployed on an AMD EPYC 7R32, and achieved 7.6x faster throughput using the native Tensorflow environment and 9x faster throughput using AMD ZenDNN accelerator library. Finally, explainability-driven performance validation strategy was conducted to ensure correct decision-making behaviour was exhibited by TinyDefectNet to improve trust in its usage by operators and inspectors.
• Abstract（参考訳）: 製造プロセスにおける重要な側面は、欠陥や欠陥に対する製造部品の視覚的品質検査である。 人間のみの視覚検査は非常に時間と労力がかかり、特に高スループットの製造シナリオにおいて重要なボトルネックとなる。 ディープラーニングの分野における著しい進歩を考えると、自動化された視覚品質検査は、製造プロセス中に欠陥や欠陥を高度に効率的かつ信頼性の高い検出に繋がる可能性がある。 しかし、ディープラーニング駆動の視覚検査手法は、しばしば重要な計算資源を必要とするため、スループットを制限し、スマートファクトリの実現に広く採用されるボトルネックとして機能する。 本研究では,高スループットな視覚品質検査に適した高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を作成するための,機械駆動設計探索手法の活用について検討した。 tinydefectnet は ~427k のパラメータで構成され、計算量 97m のフロップを持つが、neu 欠陥ベンチマークデータセットの表面欠陥検出タスクのための最先端アーキテクチャの検出精度を達成している。 このように、TinyDefectNetは同じレベルの検出性能を52$\times$低いアーキテクチャ複雑性と11倍低い計算複雑性で達成することができる。 さらに、TinyDefectNetはAMD EPYC 7R32にデプロイされ、ネイティブのTensorflow環境を使って7.6倍、AMD ZenDNNアクセラレーターライブラリを使って9倍高速スループットを達成した。 最後に、tinydefectnetによって、オペレータとインスペクタによる使用に対する信頼を高めるために、正しい意思決定行動を保証するために、説明可能性駆動のパフォーマンス検証戦略が実行された。

関連論文リスト

• DeepInspect: An AI-Powered Defect Detection for Manufacturing Industries [0.0]
  この技術は、製品写真から複雑な詳細を抽出することによって、欠陥を正確に識別する。 このプロジェクトでは、ディープラーニングフレームワークを活用して、製造プロセスにおけるリアルタイムな欠陥検出を自動化する。
  論文  参考訳（メタデータ） (2023-11-07T04:59:43Z)
• DANet: Enhancing Small Object Detection through an Efficient Deformable Attention Network [0.0]
  我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。 より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。 変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
  論文  参考訳（メタデータ） (2023-10-09T14:54:37Z)
• PCBDet: An Efficient Deep Neural Network Object Detection Architecture for Automatic PCB Component Detection on the Edge [48.7576911714538]
  PCBDetは、最先端の推論スループットを提供するアテンションコンデンサネットワーク設計である。 他の最先端のアーキテクチャ設計に比べて優れたPCBコンポーネント検出性能を実現している。
  論文  参考訳（メタデータ） (2023-01-23T04:34:25Z)
• High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate Surface Visual Quality Inspection Tailored for Real-World Manufacturing Environments [75.66288398180525]
  光導光板は、医療用照明器具からバックライトテレビディスプレイまで幅広い用途で広く利用されている光学部品である。 本研究では,光ガイド板表面の視覚的品質検査(VQI)を現実の製造環境に適した,完全に統合された,高性能なディープラーニング駆動ワークフローを提案する。 完全統合VQIシステム内のエッジコンピューティング上でのVQIの自動化を実現するため、高コンパクトな深層アンチエイリアス型アテンションコンデンサニューラルネットワーク(LightDefectNetと呼ぶ)が開発された。 LightDetectNetが検出精度を実現する実験
  論文  参考訳（メタデータ） (2022-12-20T20:11:11Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection [71.40595908386477]
  ライトガイドプレートの製造において重要なステップは、傷、明るい暗黒点、不純物などの欠陥の検査である。 ディープラーニング駆動型コンピュータビジョンの進歩は、ライトガイドプレートの自動視覚品質検査の探索につながった。 LightDetectNetは、光ガイド板表面欠陥検出に特化して設計された、高度にコンパクトなディープアンチエイリアス化されたアテンションコンデンサニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2022-04-25T16:33:37Z)
• OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection [77.23388080452987]
  人間のオペレーターはしばしば異常な音で産業機械を診断する。 ディープラーニングによる異常検出手法は、工場でのデプロイメントを禁止する膨大な計算リソースを必要とすることが多い。 ここでは、マシン駆動設計探索戦略を探求し、非常にコンパクトなディープコンボリューションオートエンコーダネットワークアーキテクチャのファミリーであるOutlierNetsを作成します。
  論文  参考訳（メタデータ） (2021-03-31T04:09:30Z)

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。