論文の概要: A Dataset and Baseline for Deep Learning-Based Visual Quality Inspection in Remanufacturing
- arxiv url: http://arxiv.org/abs/2511.15440v1
- Date: Wed, 19 Nov 2025 13:56:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.828852
- Title: A Dataset and Baseline for Deep Learning-Based Visual Quality Inspection in Remanufacturing
- Title（参考訳）: リマニュファクチャリングにおける深層学習に基づく視覚品質検査のためのデータセットとベースライン
- Authors: Johannes C. Bauer, Paul Geng, Stephan Trattnig, Petr Dokládal, Rüdiger Daub,
- Abstract要約: 本稿では,2つの車載トランスミッションから,典型的なギアボックスコンポーネントを良質かつ欠陥のある状態で表現した新しい画像データセットを提案する。
データセットを用いて異なるモデルの評価を行い、モデルロバスト性を高めるために対照的な正規化損失を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remanufacturing describes a process where worn products are restored to like-new condition and it offers vast ecological and economic potentials. A key step is the quality inspection of disassembled components, which is mostly done manually due to the high variety of parts and defect patterns. Deep neural networks show great potential to automate such visual inspection tasks but struggle to generalize to new product variants, components, or defect patterns. To tackle this challenge, we propose a novel image dataset depicting typical gearbox components in good and defective condition from two automotive transmissions. Depending on the train-test split of the data, different distribution shifts are generated to benchmark the generalization ability of a classification model. We evaluate different models using the dataset and propose a contrastive regularization loss to enhance model robustness. The results obtained demonstrate the ability of the loss to improve generalisation to unseen types of components.
- Abstract（参考訳）: リマニュファクチャリング(remanufacturing)は、着用した製品を同様の新しい状態に復元し、生態学的および経済的な大きなポテンシャルを提供するプロセスである。
重要なステップは、分解されたコンポーネントの品質検査である。
ディープニューラルネットワークは、このような視覚的検査タスクを自動化する大きな可能性を示しているが、新しい製品の変種、コンポーネント、欠陥パターンへの一般化に苦慮している。
この課題に対処するために,2つの車載トランスミッションから,典型的なギアボックスコンポーネントを良質かつ欠陥のある状態で表現した画像データセットを提案する。
データの列車-テスト分割に応じて、分類モデルの一般化能力をベンチマークするために、異なる分布シフトが生成される。
データセットを用いて異なるモデルの評価を行い、モデルロバスト性を高めるために対照的な正規化損失を提案する。
その結果, 未知のコンポーネントへの一般化を向上する能力が得られた。
関連論文リスト
- Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。
提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
論文 参考訳（メタデータ） (2025-09-08T17:58:06Z) - Evaluating Vision Transformer Models for Visual Quality Control in Industrial Manufacturing [0.0]
工業生産における機械学習の最も有望なユースケースの1つは、欠陥のある製品の早期発見である。
我々は、異常検出手法とともに、現在の視覚変換器モデルを評価する。
品質管理システムに適したモデルアーキテクチャを実際に選択するためのガイドラインを提示する。
論文 参考訳（メタデータ） (2024-11-22T14:12:35Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - Effective Transfer of Pretrained Large Visual Model for Fabric Defect
Segmentation via Specifc Knowledge Injection [15.171188183349395]
本研究では,繊維欠陥の専門知識をSAM(Segment Anything Model)に注入する革新的な手法を提案する。
ファブリック欠陥関連パラメータのユニークなセットを導入し、訓練することにより、このアプローチはドメイン固有の知識をSAMにシームレスに統合する。
実験結果から, 汎用的知識とファブリック特化知識の融合によるモデルセグメンテーション性能の大幅な向上が示された。
論文 参考訳（メタデータ） (2023-06-28T13:08:08Z) - A Novel Strategy for Improving Robustness in Computer Vision
Manufacturing Defect Detection [1.3198689566654107]
高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。
ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。
データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
論文 参考訳（メタデータ） (2023-05-16T12:51:51Z) - Few-shot incremental learning in the context of solar cell quality
inspection [0.0]
本研究では,太陽電池品質検査における重量印字技術について検討した。
その結果、この手法により、少数のサンプルで欠陥クラスに関する知識をネットワークが拡張できることが判明した。
論文 参考訳（メタデータ） (2022-07-01T23:52:07Z) - Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。
弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。
これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
論文 参考訳（メタデータ） (2022-03-22T20:24:21Z) - Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。
条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。
最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
論文 参考訳（メタデータ） (2020-12-28T02:37:03Z)
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。