論文の概要: SteelBlastQC: Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects

• arxiv url: http://arxiv.org/abs/2504.20510v1
• Date: Tue, 29 Apr 2025 07:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.79925
• Title: SteelBlastQC: Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects
• Title（参考訳）: SteelBlastQC:Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects (特集:SteelBlastQC)
• Authors: Irina Ruzavina, Lisa Sophie Theis, Jesse Lemeer, Rutger de Groen, Leo Ebeling, Andrej Hulak, Jouaria Ali, Guangzhi Tang, Rico Mockel,
• Abstract要約: 本研究は1654枚のRGB画像(512x512)からなる鋼表面のデータセットについて検討した。 データセットは、変色、溶接ライン、ひっかき傷、腐食など、現実世界の表面の欠陥をキャプチャする。 3つのニューラルネットワークで解釈可能な意思決定を行い、業界ユーザーが問題領域を視覚的に特定できるようにする。
• 参考スコア（独自算出の注目度）: 0.04783917893588482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating the quality control of shot-blasted steel surfaces is crucial for improving manufacturing efficiency and consistency. This study presents a dataset of 1654 labeled RGB images (512x512) of steel surfaces, classified as either "ready for paint" or "needs shot-blasting." The dataset captures real-world surface defects, including discoloration, welding lines, scratches and corrosion, making it well-suited for training computer vision models. Additionally, three classification approaches were evaluated: Compact Convolutional Transformers (CCT), Support Vector Machines (SVM) with ResNet-50 feature extraction, and a Convolutional Autoencoder (CAE). The supervised methods (CCT and SVM) achieve 95% classification accuracy on the test set, with CCT leveraging transformer-based attention mechanisms and SVM offering a computationally efficient alternative. The CAE approach, while less effective, establishes a baseline for unsupervised quality control. We present interpretable decision-making by all three neural networks, allowing industry users to visually pinpoint problematic regions and understand the model's rationale. By releasing the dataset and baseline codes, this work aims to support further research in defect detection, advance the development of interpretable computer vision models for quality control, and encourage the adoption of automated inspection systems in industrial applications.
• Abstract（参考訳）: ショットブラスト鋼表面の品質管理の自動化は、製造効率と整合性の向上に不可欠である。 本研究は1654枚のRGB画像(512x512)を「塗料用」または「ショットブラスト処理用」に分類された鋼表面のデータセットを提示する。 このデータセットは、変色、溶接ライン、ひっかき傷、腐食などの現実世界の表面欠陥を捉え、コンピュータビジョンモデルのトレーニングに適している。 さらに、CCT(Compact Convolutional Transformer)、ResNet-50機能抽出によるSVM(Support Vector Machines)、CAE(Convolutional Autoencoder)の3つの分類手法が評価された。 教師付き手法 (CCT と SVM) はテストセット上で95%の分類精度を達成し,CCT は変圧器に基づく注意機構を活用し,SVM は計算効率の良い代替手段を提供する。 CAEアプローチは効果が低いが、教師なし品質管理のベースラインを確立する。 3つのニューラルネットワークすべてによる解釈可能な意思決定を提案し、業界ユーザが問題領域を視覚的に特定し、モデルの理論的根拠を理解することを可能にする。 本研究は、データセットとベースラインコードのリリースにより、欠陥検出のさらなる研究を支援し、品質管理のための解釈可能なコンピュータビジョンモデルの開発を進め、産業アプリケーションにおける自動検査システムの導入を促進することを目的としている。

関連論文リスト

• Self-Adaptive Gamma Context-Aware SSM-based Model for Metal Defect Detection [3.5792989228178897]
  金属欠陥検出は工業品質保証に重要である。 既存の方法は、グレースケールのバリエーションと複雑な欠陥状態に苦しむ。 本稿では,自己適応型ガンマコンテキスト認識SSMモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:57:54Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• In-Situ Melt Pool Characterization via Thermal Imaging for Defect Detection in Directed Energy Deposition Using Vision Transformers [10.078323907266144]
  ポーシティや亀裂などの内部欠陥は、機械的特性や全体的な性能を損なう可能性がある。 本研究は,DEDプリント部品の欠陥検出と品質管理の改善を目的として,ポロシティに関連するプールのその場監視とキャラクタリゼーションに焦点を当てた。
  論文  参考訳（メタデータ） (2024-11-18T20:03:49Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Automated Detection of Defects on Metal Surfaces using Vision Transformers [1.6381055567716192]
  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。
  論文  参考訳（メタデータ） (2024-10-06T10:29:45Z)
• 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)
• Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality Control [0.0]
  本稿では,教師なしクラス選択による欠陥ローカライズオートエンコーダを提案する。 選択された欠陥のクラスは、人工的な欠陥をシミュレートするために天然の野生のテクスチャで強化される。 提案手法は, 家具用メラミン面板における品質欠陥の高精度かつ高精度な位置決めを行うことで, 有望な結果を示すものである。
  論文  参考訳（メタデータ） (2023-09-13T11:18:15Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• Voxel-wise classification for porosity investigation of additive manufactured parts with 3D unsupervised and (deeply) supervised neural networks [5.467497693327066]
  本研究は,X-CT画像からのAMサンプルの容積解析のための最近の教師付き (UNet, UNet++, UNet 3+, MSS-UNet) と教師なし (VAE, ceVAE, gmVAE, vqVAE) DLモデルを再検討する。 3次元入力データを3次元パッチパイプラインで受け入れるように拡張し、計算要求を低くし、効率と一般化性を改善した。 VAE/ceVAEモデルは、特に後処理技術を利用した場合、優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-13T11:23:00Z)
• Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
  本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。 システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
  論文  参考訳（メタデータ） (2021-01-11T08:14:35Z)

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。