論文の概要: Predicting Surface Texture in Steel Manufacturing at Speed

• arxiv url: http://arxiv.org/abs/2301.08527v1
• Date: Fri, 20 Jan 2023 12:11:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 13:19:46.415084
• Title: Predicting Surface Texture in Steel Manufacturing at Speed
• Title（参考訳）: 高速鉄鋼製造における表面集合組織予測
• Authors: Alexander J. M. Milne, Xianghua Xie
• Abstract要約: 亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。 本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
• 参考スコア（独自算出の注目度）: 81.90215579427463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control of the surface texture of steel strip during the galvanizing and temper rolling processes is essential to satisfy customer requirements and is conventionally measured post-production using a stylus. In-production laser reflection measurement is less consistent than physical measurement but enables real time adjustment of processing parameters to optimize product surface characteristics. We propose the use of machine learning to improve accuracy of the transformation from inline laser reflection measurements to a prediction of surface properties. In addition to accuracy, model evaluation speed is important for fast feedback control. The ROCKET model is one of the fastest state of the art models, however it can be sped up by utilizing a GPU. Our contribution is to implement the model in PyTorch for fast GPU kernel transforms and provide a soft version of the Proportion of Positive Values (PPV) nonlinear pooling function, allowing gradient flow. We perform timing and performance experiments comparing the implementations
• Abstract（参考訳）: 鋼板の表面テクスチャ制御は, 従来のスタイラスを用いて, 顧客の要求を満たすために不可欠であり, 従来はポストプロダクションを計測していた。 インプロダクションレーザー反射測定は物理測定よりも一貫性が低いが、処理パラメータのリアルタイム調整により製品表面特性を最適化することができる。 本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。 高速フィードバック制御には,精度に加えてモデル評価速度が重要である。 ROCKETモデルはアートモデルの最速状態の1つであるが、GPUを利用することで高速化することができる。 我々の貢献は、高速GPUカーネル変換のためのPyTorchにモデルを実装し、勾配流を許容するPyTorch Proportion of Positive Values (PPV)非線形プーリング関数のソフトバージョンを提供することである。 実装を比較して タイミングと性能を実験します

関連論文リスト

• Reinforcement Learning Approach to Optimizing Profilometric Sensor Trajectories for Surface Inspection [0.0]
  製造における高精度表面欠陥検出は品質管理の確保に不可欠である。 レーザー三角プロファイリングセンサーがこのプロセスの鍵となる。 本稿では,プロファイロメータセンサの検査軌道を最適化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T11:20:12Z)
• REFRAME: Reflective Surface Real-Time Rendering for Mobile Devices [51.983541908241726]
  本研究は,様々な場面にまたがる反射面に対して,リアルタイムな新規ビュー合成を実現するための課題に取り組む。 既存のリアルタイムレンダリング手法、特にメッシュに基づくレンダリングは、リッチなビュー依存の外観を持つモデリングサーフェスにおいて、サブパーパフォーマンスを持つことが多い。 色を拡散およびスペクトルに分解し、ニューラル環境マップに基づいて反射方向のスペクトル色をモデル化する。
  論文  参考訳（メタデータ） (2024-03-25T07:07:50Z)
• Steel Surface Roughness Parameter Calculations Using Lasers and Machine Learning Models [5.692841379023887]
  鋼板の表面性状の制御は, 亜鉛めっきおよび熱間圧延プロセスにおいて, 顧客の要求を満たすために不可欠である。 従来の方法はポストプロダクションのスタイラス測定に依存し、オンライン技術はストリップ全体を非接触でリアルタイムに計測する。 我々は最先端の機械学習モデルを活用し、オンライン計測の精度を著しく高め、Ra表面粗さ測定値に変換する。
  論文  参考訳（メタデータ） (2023-07-06T16:44:03Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability [19.79686539414599]
  このタスクを数時間から数秒に短縮するために、改良されたディープラーニングアプローチが導入されている。 本稿では,既存の表面分析ツールとの相互運用性と精度向上のための3つの改良点を提案する。 提案した変更は、再構成時間とGPUメモリ要件をほとんど変更することなく、より幾何的精度と表面の規則性を提供する。
  論文  参考訳（メタデータ） (2022-06-14T05:23:23Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Unified Data Collection for Visual-Inertial Calibration via Deep Reinforcement Learning [24.999540933593273]
  本研究では,ロボットアーム上で自動データ収集を行う動作ポリシーを学習するための新しい定式化を提案する。 本手法はモデルフリー深部強化学習を用いてキャリブレーション過程をコンパクトにモデル化する。 シミュレーションでは、手作りのポリシーよりも10倍速くキャリブレーションを実行できます。
  論文  参考訳（メタデータ） (2021-09-30T10:03:56Z)
• Surrogate Modelling for Injection Molding Processes using Machine Learning [0.23090185577016442]
  射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。 モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。 我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
  論文  参考訳（メタデータ） (2021-07-30T12:13:52Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)

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。