論文の概要: RGB-X Classification for Electronics Sorting
- arxiv url: http://arxiv.org/abs/2209.03509v1
- Date: Thu, 8 Sep 2022 00:33:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:23:53.041165
- Title: RGB-X Classification for Electronics Sorting
- Title(参考訳): 電子部品のRGB-X分類
- Authors: FNU Abhimanyu, Tejas Zodage, Umesh Thillaivasan, Xinyue Lai, Rahul
Chakwate, Javier Santillan, Emma Oti, Ming Zhao, Ralph Boirum, Howie Choset,
Matthew Travers
- Abstract要約: マルチモーダル画像分類手法であるRGB-Xを導入し、X線画像から生成された画像と外部RGB画像からの重要な特徴を利用して電子オブジェクトを正確に分類する。
本稿では,X線領域に適用した領域ランダム化を用いた新しい合成データセット作成手法を提案する。
組み合わせたRGB-Xアプローチでは、10世代のスマートフォンで98.6%の精度が得られ、これは個々のアキュラシーの89.1%(RGB)と97.9%(X線)より大きい。
- 参考スコア(独自算出の注目度): 10.409080299411645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effectively disassembling and recovering materials from waste electrical and
electronic equipment (WEEE) is a critical step in moving global supply chains
from carbon-intensive, mined materials to recycled and renewable ones.
Conventional recycling processes rely on shredding and sorting waste streams,
but for WEEE, which is comprised of numerous dissimilar materials, we explore
targeted disassembly of numerous objects for improved material recovery. Many
WEEE objects share many key features and therefore can look quite similar, but
their material composition and internal component layout can vary, and thus it
is critical to have an accurate classifier for subsequent disassembly steps for
accurate material separation and recovery. This work introduces RGB-X, a
multi-modal image classification approach, that utilizes key features from
external RGB images with those generated from X-ray images to accurately
classify electronic objects. More specifically, this work develops Iterative
Class Activation Mapping (iCAM), a novel network architecture that explicitly
focuses on the finer-details in the multi-modal feature maps that are needed
for accurate electronic object classification. In order to train a classifier,
electronic objects lack large and well annotated X-ray datasets due to expense
and need of expert guidance. To overcome this issue, we present a novel way of
creating a synthetic dataset using domain randomization applied to the X-ray
domain. The combined RGB-X approach gives us an accuracy of 98.6% on 10
generations of modern smartphones, which is greater than their individual
accuracies of 89.1% (RGB) and 97.9% (X-ray) independently. We provide
experimental results3 to corroborate our results.
- Abstract(参考訳): 廃棄物の電気・電子機器(WEEE)から物質を効果的に分解・回収することは, 炭素集約・採掘物質から再生・再生物質へグローバルサプライチェーンを移動させる重要なステップである。
従来のリサイクルプロセスは, 廃棄物の細断処理や分別処理に頼っているが, 多数の異種材料からなるWEEEでは, 材料回収の改善を目的とした多数の対象物の解体を検討中である。
多くのweeeオブジェクトは、多くの重要な特徴を共有しており、非常によく似ているように見えるが、材料構成や内部コンポーネントのレイアウトは異なるため、正確な材料分離とリカバリのために、後の分解ステップの正確な分類器を持つことが重要である。
マルチモーダル画像分類手法であるRGB-Xを導入し、X線画像から生成された画像と外部RGB画像からの重要な特徴を利用して電子オブジェクトを正確に分類する。
より具体的には、Iterative Class Activation Mapping (iCAM) は、電子オブジェクトの正確な分類に必要なマルチモーダル特徴写像の細部を明示的に重視する、新しいネットワークアーキテクチャである。
分類器を訓練するために、電子オブジェクトは費用と専門家の指導を必要とするため、大きくて注釈の付いたX線データセットを欠いている。
本稿では,x線領域に適用される領域ランダム化を用いた合成データセットの作成法を提案する。
組み合わせたRGB-Xアプローチでは、10世代のスマートフォンで98.6%の精度が得られ、これは個々のアキュラシーの89.1%(RGB)と97.9%(X線)より大きい。
実験結果3は結果の相関を示す。
関連論文リスト
- Sorting of Smartphone Components for Recycling Through Convolutional
Neural Networks [2.9904113489777826]
スマートフォン廃棄物処理における自動材料分離プロセスを制御するために,画像分類ニューラルネットワークを潜在的手段として利用することを検討した。
熱分解されたスマートフォン部品の1,127枚の画像を用いたデータセットを作成し,VGG-16画像分類モデルのトレーニングと評価に利用した。
このモデルは83.33%の精度を達成し、物質分離にそのようなニューラルネットワークを使用することの生存可能性に信頼を与えている。
論文 参考訳(メタデータ) (2023-12-27T16:16:15Z) - Image Segmentation using U-Net Architecture for Powder X-ray Diffraction
Images [35.158892656603214]
実験X線回折(XRD)画像中のアーティファクトを同定する手法を提案する。
提案手法は、可変U-Netなどのディープラーニング畳み込みニューラルネットワークアーキテクチャを用いて、人工物を特定する。
論文 参考訳(メタデータ) (2023-10-24T21:11:09Z) - MatSpectNet: Material Segmentation Network with Domain-Aware and
Physically-Constrained Hyperspectral Reconstruction [13.451692195639696]
MatSpectNetは、RGB画像から回復したハイパースペクトル画像で材料を分割する新しいモデルである。
現代のカメラにおける色知覚の原理を利用して、再構成されたハイパースペクトル画像を制限する。
平均ピクセル精度は1.60%増加し、最新の出版物と比べて平均クラス精度は3.42%改善している。
論文 参考訳(メタデータ) (2023-07-21T10:02:02Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳(メタデータ) (2023-03-02T00:52:41Z) - Combining Variational Autoencoders and Physical Bias for Improved
Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。
本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。
その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文 参考訳(メタデータ) (2023-02-08T17:35:38Z) - MetaGraspNet: A Large-Scale Benchmark Dataset for Scene-Aware
Ambidextrous Bin Picking via Physics-based Metaverse Synthesis [72.85526892440251]
本稿では,物理に基づくメタバース合成により構築した大規模写真リアリスティックビンピックデータセットであるMetaGraspNetを紹介する。
提案データセットは,82種類の記事に対して217kのRGBD画像を含み,オブジェクト検出,アモーダル認識,キーポイント検出,操作順序,および並列ジャウと真空グリップパー用のアンビデクストグリップラベルの完全なアノテーションを備える。
また,2.3k以上の完全アノテートされた高品質なRGBD画像からなる実際のデータセットを5段階の難易度と,異なるオブジェクトおよびレイアウト特性を評価するための見えないオブジェクトセットに分割する。
論文 参考訳(メタデータ) (2022-08-08T08:15:34Z) - NeRF-Supervision: Learning Dense Object Descriptors from Neural Radiance
Fields [54.27264716713327]
シーンのニューラル・ラジアンス・フィールド(NeRF)表現は,高密度物体記述子の訓練に利用できることを示す。
我々は、最適化されたNeRFを用いて、オブジェクトの複数のビュー間の密接な対応を抽出し、これらの対応を、オブジェクトのビュー不変表現を学習するためのトレーニングデータとして使用する。
また,本手法により教師されたディエンス対応モデルは,市販の学習ディスクリプタよりも106%優れていた。
論文 参考訳(メタデータ) (2022-03-03T18:49:57Z) - Classification of PS and ABS Black Plastics for WEEE Recycling
Applications [63.942632088208505]
本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。
畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。
別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
論文 参考訳(メタデータ) (2021-10-20T12:47:18Z) - On the impact of using X-ray energy response imagery for object
detection via Convolutional Neural Networks [17.639472693362926]
我々は,X線エネルギー応答(高,低)と有効Zの影響について,測地値と比較して検討した。
我々は、CNNアーキテクチャを評価し、そのような「Raw」変種画像で訓練されたモデルの転送可能性について検討する。
論文 参考訳(メタデータ) (2021-08-27T21:28:28Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳(メタデータ) (2021-05-07T03:49:26Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳(メタデータ) (2020-06-28T20:59:03Z)
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。