Fugu-MT 論文翻訳(概要): Smart Active Sampling to enhance Quality Assurance Efficiency

論文の概要: Smart Active Sampling to enhance Quality Assurance Efficiency

arxiv url: http://arxiv.org/abs/2209.11464v1
Date: Fri, 23 Sep 2022 08:06:29 GMT
ステータス: 処理完了
システム内更新日: 2022-09-26 16:57:28.464476
Title: Smart Active Sampling to enhance Quality Assurance Efficiency
Title（参考訳）: 品質保証効率を高めるためのスマートアクティブサンプリング
Authors: Clemens Heistracher, Stefan Stricker, Pedro Casas, Daniel Schall, Jana Kemnitz
Abstract要約: 本稿では,生産ライン外の品質検査のための,スマートアクティブサンプリングと呼ばれる新しいサンプリング戦略を提案する。アクティブラーニングの原則に基づいて、機械学習モデルは、品質検査にどのサンプルが送られるかを決定する。
参考スコア（独自算出の注目度）: 3.8506074050147614
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new sampling strategy, called smart active sapling, for quality inspections outside the production line. Based on the principles of active learning a machine learning model decides which samples are sent to quality inspection. On the one hand, this minimizes the production of scrap parts due to earlier detection of quality violations. On the other hand, quality inspection costs are reduced for smooth operation.
Abstract（参考訳）: 我々は,製品ライン外の品質検査のために,smart active saplingと呼ばれる新しいサンプリング戦略を提案する。アクティブラーニングの原則に基づいて、機械学習モデルは、品質検査にどのサンプルが送られるかを決定する。一方、これは品質違反の早期検出によるスクラップ部品の生産を最小化する。一方、円滑な運転のために品質検査コストが削減される。

関連論文リスト

Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
論文参考訳（メタデータ） (2024-10-02T18:17:54Z)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
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)
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)
In situ process quality monitoring and defect detection for direct metal laser melting [0.0]
プロセス内故障検出と部分品質予測は、既存の商用DMLMシステムに容易に展開できる。ベイズ的アプローチは、複数のプロセス状態の1つに測定を属性付け、最小2乗回帰モデルは、特定の材料欠陥の深刻度を予測する。
論文参考訳（メタデータ） (2021-12-03T14:05:31Z)
Streaming Machine Learning and Online Active Learning for Automated Visual Inspection [0.6299766708197884]
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。
論文参考訳（メタデータ） (2021-10-15T09:39:04Z)
Few-shot Quality-Diversity Optimization [50.337225556491774]
品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
論文参考訳（メタデータ） (2021-09-14T17:12:20Z)
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)
Sample Noise Impact on Active Learning [77.99796068970569]
本研究は,アクティブラーニング戦略におけるノイズの多いサンプル選択の効果について検討する。サンプルノイズの知識がアクティブな学習戦略の性能を著しく向上させることができることを,合成問題と実生活利用事例の両方に示す。
論文参考訳（メタデータ） (2021-09-03T08:36:13Z)
Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文参考訳（メタデータ） (2021-07-28T15:21:01Z)
Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks [0.0]
本稿では, 深層畳み込みニューラルネットワーク(CNN)モデルを用いて, 添加物製造(AM)プロセスの自動品質評価システムを提案する。 CNNモデルは, 層間積層における内部および表面欠陥の画像を用いてオフラインで訓練し, 異なる押出成形速度と温度でAMプロセスの故障を検出し, 分類する性能について検討した。提案するオンラインモデルでは,AMプロセスに自動で一貫した非接触品質制御信号が付加され,完全構築後の部品の手動検査が不要になる。
論文参考訳（メタデータ） (2020-03-06T20:49:20Z)

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。