論文の概要: Combining shape and contour features to improve tool wear monitoring in
milling processes
- arxiv url: http://arxiv.org/abs/2402.05978v1
- Date: Wed, 7 Feb 2024 22:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 19:05:25.832452
- Title: Combining shape and contour features to improve tool wear monitoring in
milling processes
- Title（参考訳）: 加工工程における工具摩耗モニタリング改善のための形状と輪郭特性の組み合わせ
- Authors: M. T. Garc\'ia-Ord\'as, E. Alegre-Guti\'errez, V. Gonz\'alez-Castro,
R. Alaiz-Rodr\'iguez
- Abstract要約: 我々はShapeFeatと呼ばれる新しい記述子を提案し、その輪郭はBORCHIZ法を用いて特徴づけられた。
その結果,BORCHIZとShapeFeatを組み合わせることで,分類性能が大幅に向上した。
本研究は, 製粉工程において, インサートを自動的に分類するために, 製造コミュニティに奨励的な結果をもたらした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a new system based on combinations of a shape descriptor and a
contour descriptor has been proposed for classifying inserts in milling
processes according to their wear level following a computer vision based
approach. To describe the wear region shape we have proposed a new descriptor
called ShapeFeat and its contour has been characterized using the method
BORCHIZ that, to the best of our knowledge, achieves the best performance for
tool wear monitoring following a computer vision-based approach. Results show
that the combination of BORCHIZ with ShapeFeat using a late fusion method
improves the classification performance significantly, obtaining an accuracy of
91.44% in the binary classification (i.e. the classification of the wear as
high or low) and 82.90% using three target classes (i.e. classification of the
wear as high, medium or low). These results outperform the ones obtained by
both descriptors used on their own, which achieve accuracies of 88.70 and
80.67% for two and three classes, respectively, using ShapeFeat and 87.06 and
80.24% with B-ORCHIZ. This study yielded encouraging results for the
manufacturing community in order to classify automatically the inserts in terms
of their wear for milling processes.
- Abstract（参考訳）: 本稿では, 形状記述子と輪郭記述子の組み合わせに基づく新しいシステムを提案する。
装着領域形状を説明するため,我々はshapefeatと呼ばれる新しい記述器を提案し,その輪郭をボルチズ法を用いて特徴付ける。
その結果, 後期融合法によるボルチズとシェープフェイトの組み合わせは, 2次分類における91.44%, 3つの対象クラス(中・低)を用いて82.90%の精度を得たことにより, 分類性能が著しく向上した。
これらの結果は、2つのクラスと3つのクラスでそれぞれ88.70と80.67%のアキュラシーを達成し、それぞれShapeFeatと87.06と80.24%のB-ORCHIZを使用する。
本研究は, 製粉工程におけるインサートを自動的に分類するために, 製造コミュニティに奨励的な結果をもたらした。
関連論文リスト
- Automated Classification of Dry Bean Varieties Using XGBoost and SVM Models [0.0]
本稿では,機械学習モデルを用いた7種類の乾燥豆の自動分類について比較検討する。
XGBoostとSVMのモデルはそれぞれ94.00%と94.39%の正確な分類率を達成した。
本研究は, 種子品質制御と収量最適化を効果的に支援できることを実証し, 精密農業への取り組みの活発化に寄与する。
論文 参考訳（メタデータ） (2024-08-02T13:05:33Z) - SmurfCat at SemEval-2024 Task 6: Leveraging Synthetic Data for Hallucination Detection [51.99159169107426]
本稿では,SemEval-2024幻覚検出タスクのための新しいシステムを提案する。
我々の調査は、モデル予測と基準基準を比較するための様々な戦略にまたがっている。
強力なパフォーマンス指標を示す3つの異なる方法を紹介します。
論文 参考訳（メタデータ） (2024-04-09T09:03:44Z) - Explainability-Driven Leaf Disease Classification Using Adversarial
Training and Knowledge Distillation [2.2823100315094624]
本研究は, 植物葉病の分類に焦点を当て, 逆行訓練, モデル説明可能性, モデル圧縮の3つの重要な側面を探求する。
このロバスト性は、通常のテストでは3%-20%、敵攻撃テストでは50%-70%の性能低下を伴う分類精度の価格である。
論文 参考訳（メタデータ） (2023-12-30T21:48:20Z) - Machining feature recognition using descriptors with range constraints
for mechanical 3D models [11.008342341091021]
記述子を用いた16種類の加工特徴の認識手法を提案する。
対象面から抽出したディスクリプタとベース面から抽出したディスクリプタとの類似度を算出する。
提案手法が最新の人工ニューラルネットワークよりも優れた特徴認識性能を示したことを追加試験により確認した。
論文 参考訳（メタデータ） (2023-01-09T04:50:06Z) - Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。
近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。
本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
論文 参考訳（メタデータ） (2023-01-07T20:55:16Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳（メタデータ） (2022-12-03T07:52:48Z) - ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。
各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。
これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
論文 参考訳（メタデータ） (2022-09-04T12:49:20Z) - Human Gait Recognition Using Bag of Words Feature Representation Method [0.0]
このアルゴリズムは93人の個人からなるユニークな人間の歩行データに基づいて訓練され、テストされ、評価される。
提案手法は, 一般的な統計的特徴を用いた場合と比較して, 精度が向上する。
論文 参考訳（メタデータ） (2022-03-24T19:57:53Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Fantastic Features and Where to Find Them: Detecting Cognitive
Impairment with a Subsequence Classification Guided Approach [6.063165888023164]
本稿では、逐次機械学習モデルとドメイン知識を活用して、パフォーマンス向上に役立つ機能を予測する機能エンジニアリングの新しいアプローチについて説明する。
本手法により得られた特徴を用いた場合,CI分類精度が強いベースラインよりも2.3%向上することが実証された。
論文 参考訳（メタデータ） (2020-10-13T17:57:18Z) - Learning Expectation of Label Distribution for Facial Age and
Attractiveness Estimation [65.5880700862751]
本稿では,2つの最先端手法(Ranking-CNNとDLDL)の本質的な関係を解析し,ランキング法が実際にラベル分布を暗黙的に学習していることを示す。
軽量なネットワークアーキテクチャを提案し、顔属性の分布と回帰属性の値を共同で学習できる統一的なフレームワークを提案する。
提案手法は,36$times$パラメータが小さく,3$times$が顔の年齢/魅力度推定における高速な推論速度を持つ単一モデルを用いて,新しい最先端結果を実現する。
論文 参考訳（メタデータ） (2020-07-03T15:46:53Z)
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。