論文の概要: Analog and Multi-modal Manufacturing Datasets Acquired on the Future Factories Platform

• arxiv url: http://arxiv.org/abs/2401.15544v1
• Date: Sun, 28 Jan 2024 02:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 17:52:56.825921
• Title: Analog and Multi-modal Manufacturing Datasets Acquired on the Future Factories Platform
• Title（参考訳）: 将来のファクトリープラットフォームで取得したアナログおよびマルチモーダル製造データセット
• Authors: Ramy Harik, Fadi El Kalach, Jad Samaha, Devon Clark, Drew Sander, Philip Samaha, Liam Burns, Ibrahim Yousif, Victor Gadow, Theodros Tarekegne, Nitol Saha
• Abstract要約: 本稿では,2つの業界グレードのデータセットについて述べる。 2023年12月11日と12日にサウスカロライナ大学のFuture Factories Labで収集された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Two industry-grade datasets are presented in this paper that were collected at the Future Factories Lab at the University of South Carolina on December 11th and 12th of 2023. These datasets are generated by a manufacturing assembly line that utilizes industrial standards with respect to actuators, control mechanisms, and transducers. The two datasets were both generated simultaneously by operating the assembly line for 30 consecutive hours (with minor filtering) and collecting data from sensors equipped throughout the system. During operation, defects were also introduced into the assembly operation by manually removing parts needed for the final assembly. The datasets generated include a time series analog dataset and the other is a time series multi-modal dataset which includes images of the system alongside the analog data. These datasets were generated with the objective of providing tools to further the research towards enhancing intelligence in manufacturing. Real manufacturing datasets can be scarce let alone datasets with anomalies or defects. As such these datasets hope to address this gap and provide researchers with a foundation to build and train Artificial Intelligence models applicable for the manufacturing industry. Finally, these datasets are the first iteration of published data from the future Factories lab and can be further adjusted to fit more researchers needs moving forward.
• Abstract（参考訳）: 2023年12月11日と12日にサウスカロライナ大学のFuture Factories Labで収集された2つの業界グレードのデータセットについて紹介する。 これらのデータセットは、アクチュエータ、制御機構、トランスデューサに関する産業標準を利用する製造アセンブリラインによって生成される。 2つのデータセットは、アセンブリラインを30時間連続して操作し、システム全体で装備されたセンサーからデータを収集することで同時に生成される。 運用中、最終組み立てに必要な部品を手動で除去することで、組立作業にも欠陥が導入された。 生成されたデータセットは時系列アナログデータセットを含み、もう一方はアナログデータと共にシステムのイメージを含む時系列マルチモーダルデータセットである。 これらのデータセットは、製造におけるインテリジェンス向上に向けた研究を促進するツールを提供することを目的として作成された。 実際の製造データセットは、異常や欠陥のあるデータセットだけでは不十分です。 このようなデータセットは、このギャップに対処し、研究者に製造業に適用可能な人工知能モデルの構築とトレーニングの基礎を提供したいと考えている。 最後に、これらのデータセットは将来のFactory研究所から公開されたデータの最初のイテレーションであり、より多くの研究者のニーズに合うようにさらに調整することができる。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Benchmark Time Series Dataset for Semiconductor Fabrication Manufacturing Constructed using Component-based Discrete-Event Simulation Models [0.0]
  この研究はIntel半導体製造工場のベンチマークモデルに基づいている。 時系列データセットは離散時間軌道を用いて構築される。 データセットは、機械学習コミュニティで行動分析に利用することもできる。
  論文  参考訳（メタデータ） (2024-08-17T23:05:47Z)
• ConRebSeg: A Segmentation Dataset for Reinforced Concrete Construction [4.32009010195029]
  鉄筋コンクリート施工のためのセグメンテーションラベル付き14,805枚のRGB画像のデータセットを提供する。 データ可用性とラベルの不整合がモデルの性能に与える影響について検討する。 我々は,建設業界における自律ロボットシステムの開発を促進するために,クラウドソースによるデータセットを提唱する。
  論文  参考訳（メタデータ） (2024-07-12T15:53:15Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
  視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。 これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。 本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
  論文  参考訳（メタデータ） (2024-01-27T16:13:32Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Dataset Factory: A Toolchain For Generative Computer Vision Datasets [0.9013233848500058]
  メタデータからサンプルの保存と処理を分離する「データセットファクトリ」を提案する。 これにより、機械学習チームや個々の研究者に対して、大規模にデータ中心の操作が可能になる。
  論文  参考訳（メタデータ） (2023-09-20T19:43:37Z)
• Linking the Dynamic PicoProbe Analytical Electron-Optical Beam Line / Microscope to Supercomputers [39.52789559084336]
  Argonne National Laboratory(アルゴンヌ国立研究所)のDynamic PicoProbe(ダイナミック・ピコプローブ)は、1日に最大100GBのデータを生成できるアップグレードを行っている。 このデータは、基本的な科学と産業の両方のアプリケーションにとって非常に重要であるが、現在、これらの高ボリュームのデータストリームを扱うためのオンサイトインフラストラクチャは限られている。 本稿では,隣接するArgonne Leadership Computing Facilityにおいて,近隣のスーパーコンピュータへの大規模データ転送を支援するソフトウェアアーキテクチャを提供することにより,この問題に対処する。 このインフラストラクチャは、期待されるワークロードをサポートし、ドメインサイエンティストに過去の実験からデータを再インターロゲートして、さらなる科学的価値をもたらし、新たな洞察を導き出す機能を提供する。
  論文  参考訳（メタデータ） (2023-08-25T23:07:58Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Challenges of the Creation of a Dataset for Vision Based Human Hand Action Recognition in Industrial Assembly [0.0]
  このデータセットは、基本バージョンで459,180の画像を持つ12のクラスと、空間拡張後の2,295,900の画像からなる。 平均以上の期間を持ち、工業用組立ラインの技術的および法的要件を満たす。 実世界の実例を広範囲に観察した結果,記録された真理組立クラスが選択された。
  論文  参考訳（メタデータ） (2023-03-07T07:57:12Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)

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。