論文の概要: Automated Detection of Defects on Metal Surfaces using Vision Transformers

• arxiv url: http://arxiv.org/abs/2410.04440v1
• Date: Sun, 6 Oct 2024 10:29:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 07:25:54.550602
• Title: Automated Detection of Defects on Metal Surfaces using Vision Transformers
• Title（参考訳）: 視覚変換器を用いた金属表面欠陥の自動検出
• Authors: Toqa Alaa, Mostafa Kotb, Arwa Zakaria, Mariam Diab, Walid Gomaa,
• Abstract要約: 深層学習技術を用いた視覚変換器(ViT)を用いた金属表面欠陥検出モデルの開発 提案モデルは,特徴抽出のためのViTを用いた欠陥の分類と局所化に焦点を当てている。 実験結果から, 自動欠陥検出, 運転効率の向上, 金属製造における誤差の低減に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.6381055567716192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Metal manufacturing often results in the production of defective products, leading to operational challenges. Since traditional manual inspection is time-consuming and resource-intensive, automatic solutions are needed. The study utilizes deep learning techniques to develop a model for detecting metal surface defects using Vision Transformers (ViTs). The proposed model focuses on the classification and localization of defects using a ViT for feature extraction. The architecture branches into two paths: classification and localization. The model must approach high classification accuracy while keeping the Mean Square Error (MSE) and Mean Absolute Error (MAE) as low as possible in the localization process. Experimental results show that it can be utilized in the process of automated defects detection, improve operational efficiency, and reduce errors in metal manufacturing.
• Abstract（参考訳）: 金属製造は、しばしば欠陥製品を生産し、運用上の問題を引き起こす。 従来の手動検査は時間を要するため、自動的な解決策が必要である。 本研究では、深層学習技術を用いて、視覚変換器(ViT)を用いた金属表面欠陥検出モデルを開発した。 提案モデルは,特徴抽出のためのViTを用いた欠陥の分類と局所化に焦点を当てている。 アーキテクチャは、分類とローカライゼーションの2つのパスに分かれる。 このモデルは,局所化過程において,平均角誤差(MSE)と平均絶対誤差(MAE)を極力低く保ちながら,高い分類精度にアプローチする必要がある。 実験結果から, 自動欠陥検出, 運転効率の向上, 金属製造における誤差の低減に有効であることが示唆された。

関連論文リスト

• DefectTwin: When LLM Meets Digital Twin for Railway Defect Inspection [5.601042583221173]
  Digital Twin(DT)は、オブジェクト、プロセス、あるいはシステムがリアルタイム監視、シミュレーション、予測保守のために複製される。 大規模言語モデル(LLM)のような最近の進歩は、従来のAIシステムに革命をもたらし、鉄道欠陥検査などの産業応用においてDTと組み合わせることで、大きな可能性を秘めている。 鉄道における視覚的欠陥と視覚的欠陥の両方を分析するために,マルチモーダル・マルチモデル (M2) LLMベースのAIパイプラインを利用するDefectTwinを紹介した。
  論文  参考訳（メタデータ） (2024-08-26T22:32:31Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling [0.0]
  本研究では,小型ネットワーク用に特別に設計されたYou Only Look Once (YOLOv5)に基づくリアルタイム金属表面欠陥検出モデルを提案する。 実験結果から,改良されたモデルでは,精度と検出時間において,他のモデルよりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2024-06-19T08:08:49Z)
• DDPM-MoCo: Advancing Industrial Surface Defect Generation and Detection with Generative and Contrastive Learning [3.789219860006095]
  これらの問題に対処するためにDDPM-MoCoという新しい欠陥発生手法を提案する。 まず,Denoising Diffusion Probabilistic Model (DDPM) を用いて,高品質な欠陥データサンプルを生成する。 第2に、教師なし学習モメンタムコントラストモデル(MoCo)と拡張バッチコントラスト損失関数を用いて、ラベルなしデータ上でモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-05-09T17:17:53Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Wafer Map Defect Patterns Semi-Supervised Classification Using Latent Vector Representation [8.400553138721044]
  集積回路製造段階における欠陥検出の需要はますます重要になりつつある。 従来のウェハマップ欠陥パターン検出法は、電子顕微鏡を用いた手動検査を含む。 手動操作の代わりに欠陥を自動的に検出できるモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-06T08:23:36Z)
• 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)
• T4PdM: a Deep Neural Network based on the Transformer Architecture for Fault Diagnosis of Rotating Machinery [0.0]
  本稿では,Transformerアーキテクチャの修正版であるT4PdMに基づいて,自動故障分類器モデルを構築した。 T4PdMは2つのデータセットの総合精度99.98%と98%を達成した。 回転する産業機械の故障の検出・分類におけるモデルの有用性を実証した。
  論文  参考訳（メタデータ） (2022-04-07T20:31:45Z)
• Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
  障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。 本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
  論文  参考訳（メタデータ） (2021-07-05T11:46:00Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。