論文の概要: Machine Learning in Industrial Quality Control of Glass Bottle Prints
- arxiv url: http://arxiv.org/abs/2409.20132v1
- Date: Mon, 30 Sep 2024 09:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 13:17:59.087449
- Title: Machine Learning in Industrial Quality Control of Glass Bottle Prints
- Title（参考訳）: ガラスボトル印刷の産業品質管理における機械学習
- Authors: Maximilian Bundscherer, Thomas H. Schmitt, Tobias Bocklet,
- Abstract要約: ガラスボトルの工業生産においては、ボトルプリントの品質管理が必要である。
これらのボトルプリントの品質管理のためのMLに基づく2つのアプローチを開発し,評価した。
- 参考スコア（独自算出の注目度）: 4.659978907530712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In industrial manufacturing of glass bottles, quality control of bottle prints is necessary as numerous factors can negatively affect the printing process. Even minor defects in the bottle prints must be detected despite reflections in the glass or manufacturing-related deviations. In cooperation with our medium-sized industrial partner, two ML-based approaches for quality control of these bottle prints were developed and evaluated, which can also be used in this challenging scenario. Our first approach utilized different filters to supress reflections (e.g. Sobel or Canny) and image quality metrics for image comparison (e.g. MSE or SSIM) as features for different supervised classification models (e.g. SVM or k-Neighbors), which resulted in an accuracy of 84%. The images were aligned based on the ORB algorithm, which allowed us to estimate the rotations of the prints, which may serve as an indicator for anomalies in the manufacturing process. In our second approach, we fine-tuned different pre-trained CNN models (e.g. ResNet or VGG) for binary classification, which resulted in an accuracy of 87%. Utilizing Grad-Cam on our fine-tuned ResNet-34, we were able to localize and visualize frequently defective bottle print regions. This method allowed us to provide insights that could be used to optimize the actual manufacturing process. This paper also describes our general approach and the challenges we encountered in practice with data collection during ongoing production, unsupervised preselection, and labeling.
- Abstract（参考訳）: ガラスボトルの製造においては、多くの要因が印刷プロセスに悪影響を及ぼす可能性があるため、ボトル印刷の品質管理が必要である。
ボトルプリントの小さな欠陥でさえ、ガラスの反射や製造に関する偏差にもかかわらず検出されなければならない。
中規模産業パートナーと協力し、これらのボトルプリントの品質管理のためのMLベースの2つのアプローチを開発し、評価した。
我々の最初のアプローチは、異なる分類モデル(例えば SVM や k-Neighbors)の特徴として、反射(例えば Sobel や Canny)と画像比較(例えば MSE や SSIM)の画質指標を抑圧するために異なるフィルタを使用し、84%の精度を実現した。
画像はORBアルゴリズムに基づいて整列され, 印刷物の回転を推定することができ, 製造工程における異常の指標となる可能性がある。
第2のアプローチでは、バイナリ分類のための異なるトレーニング済みCNNモデル(例えばResNetやVGG)を微調整し、87%の精度を実現した。
細調整したResNet-34上でGrad-Camを利用することで、頻繁に欠陥のあるボトルプリント領域のローカライズと視覚化が可能になった。
この方法により、実際の製造プロセスの最適化に使用できる洞察を提供できるようになりました。
また,本論文では,生産中のデータ収集,教師なし事前選択,ラベル付けなどにおいて,我々の一般的なアプローチと,実際に遭遇した課題についても述べる。
関連論文リスト
- BAND-2k: Banding Artifact Noticeable Database for Banding Detection and
Quality Assessment [52.1640725073183]
バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。
これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。
デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
論文 参考訳（メタデータ） (2023-11-29T15:56:31Z) - Semi-Siamese Network for Robust Change Detection Across Different
Domains with Applications to 3D Printing [17.176767333354636]
本稿では3Dプリンティングプロセスにおける欠陥検出のための新しいセミ・シームズ深層学習モデルを提案する。
本モデルは,撮像装置の摂動に対して頑健でありながら,異なる領域からの異種画像の比較を可能にするように設計されている。
われわれのモデルでは、欠陥ローカライズ予測は標準のMacBook Proを使って1層あたり半秒未満で行うことができ、F1スコアは0.9以上である。
論文 参考訳（メタデータ） (2022-12-16T17:02:55Z) - 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) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Machine Learning-Based Soft Sensors for Vacuum Distillation Unit [5.728037880354686]
製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。
この問題に対処する戦略の1つはソフトセンサーである。
ソフトセンサー(Soft Sensor)は、頻繁な測定特性の予測と予測に使用できるモデルの集合である。
論文 参考訳（メタデータ） (2021-11-19T15:30:43Z) - Towards Smart Monitored AM: Open Source in-Situ Layer-wise 3D Printing
Image Anomaly Detection Using Histograms of Oriented Gradients and a
Physics-Based Rendering Engine [0.0]
本研究では,物理レンダリングエンジンであるBlenderで生成した理想的なプロセスのG符号による参照画像と静止単眼カメラからのプリント層画像を比較し,3次元印刷異常を検出するオープンソース手法を提案する。
局所画像領域の向き勾配(HOG)のヒストグラムの類似性を解析することにより,視覚偏差の認識を実現した。
本手法の実装は, 予備データを必要としないため, 部品の大量生産において, 同一形状の添加物あるいは減算的製造を行うことで, 最大効率を実現することができる。
論文 参考訳（メタデータ） (2021-11-04T09:27:10Z) - Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。
提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
論文 参考訳（メタデータ） (2021-09-29T17:12:10Z) - Smart-Inspect: Micro Scale Localization and Classification of Smartphone
Glass Defects for Industrial Automation [8.414611978466622]
スマートフォンガラスの16K画素画像上に,知的マイクロスケールの局所化と欠陥の分類を行うための,堅牢な半教師付き学習フレームワークを提案する。
本モデルでは, ひっかき傷, ひび割れによる光漏れ, 穴の3種類の欠陥の認識とラベル付けを行う。
また, ダスト粒子とセンサ領域による欠陥と光反射を非欠陥領域と分類した。
論文 参考訳（メタデータ） (2020-10-02T01:15:00Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳（メタデータ） (2020-05-28T13:35:23Z) - Print Defect Mapping with Semantic Segmentation [4.189639503810488]
印刷欠陥をピクセルレベルでマップする最初のエンドツーエンドフレームワークを提案する。
我々のフレームワークは畳み込みニューラルネットワーク、特にDeepLab-v3+を使用し、有望な結果を得る。
論文 参考訳（メタデータ） (2020-01-27T22:40:09Z)
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。