論文の概要: Automated Defect Recognition of Castings defects using Neural Networks

• arxiv url: http://arxiv.org/abs/2209.02279v1
• Date: Tue, 6 Sep 2022 08:10:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:14:31.593168
• Title: Automated Defect Recognition of Castings defects using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた鋳物欠陥の自動検出
• Authors: Alberto Garc\'ia-P\'erez, Mar\'ia Jos\'e G\'omez-Silva, Arturo de la Escalera
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4999739879492084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial X-ray analysis is common in aerospace, automotive or nuclear industries where structural integrity of some parts needs to be guaranteed. However, the interpretation of radiographic images is sometimes difficult and may lead to two experts disagree on defect classification. The Automated Defect Recognition (ADR) system presented herein will reduce the analysis time and will also help reducing the subjective interpretation of the defects while increasing the reliability of the human inspector. Our Convolutional Neural Network (CNN) model achieves 94.2\% accuracy (mAP@IoU=50\%), which is considered as similar to expected human performance, when applied to an automotive aluminium castings dataset (GDXray), exceeding current state of the art for this dataset. On an industrial environment, its inference time is less than 400 ms per DICOM image, so it can be installed on production facilities with no impact on delivery time. In addition, an ablation study of the main hyper-parameters to optimise model accuracy from the initial baseline result of 75\% mAP up to 94.2\% mAP, was also conducted.
• Abstract（参考訳）: 産業用X線分析は、いくつかの部品の構造的整合性を保証する必要がある航空宇宙、自動車、原子力産業で一般的である。 しかし、X線画像の解釈は時に困難であり、2人の専門家が欠陥分類に異を唱える可能性がある。 ここで提示される自動欠陥認識(ADR)システムは、解析時間を短縮し、人間の検査者の信頼性を高めつつ、欠陥の主観的解釈を減らすのに役立つ。 我々の畳み込みニューラルネットワーク(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、期待される人間のパフォーマンスに類似していると考えられる94.2\%の精度(mAP@IoU=50\%)を達成する。 工業環境では、その推定時間はdicom画像あたり400ms以下なので、納入時間に影響を及ぼさずに生産施設に設置することができる。 また,75\% mAPから94.2\% mAPまでのモデル精度を最適化するための主パラメータのアブレーション実験も行った。

関連論文リスト

• Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
  我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。 本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
  論文  参考訳（メタデータ） (2024-08-02T20:15:15Z)
• Generative Model-Driven Synthetic Training Image Generation: An Approach to Cognition in Rail Defect Detection [12.584718477246382]
  本研究では,VAEを用いたレール欠陥の合成画像生成手法を提案する。 カナダ太平洋鉄道(Canadian Pacific Railway)の合成データセットを作成するために用いられる。 500の合成サンプルが生成され、最小の復元損失は0.021である。
  論文  参考訳（メタデータ） (2023-12-31T04:34:58Z)
• 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)
• Real-Time Damage Detection in Fiber Lifting Ropes Using Convolutional Neural Networks [19.093832934990044]
  畳み込みニューラルネットワーク(CNN)を用いた合成繊維ロープ画像の損傷検出システムを提案する。 ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。 実験の結果、提案されたモデルは96.4%の精度、95.8%の精度、97.2%のリコール、96.5%のF1スコア、99.2%のAUCで他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-23T11:44:43Z)
• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• Improving the Deployment of Recycling Classification through Efficient Hyper-Parameter Analysis [0.0]
  本稿では,協調的なリサイクル分類モデルであるWasteNetのより効率的なバージョンを開発する。 新たに開発されたモデルは、テストセット精度95.8%、実世界の精度95%、オリジナルよりも14%向上した。 私たちの加速パイプラインは、Jetson Nano組み込みデバイスで毎秒750%から24パーセントの速度でモデルスループットを向上しました。
  論文  参考訳（メタデータ） (2021-10-21T10:42:14Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。