論文の概要: Wear Classification of Abrasive Flap Wheels using a Hierarchical Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2603.12852v1
• Date: Fri, 13 Mar 2026 09:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.039982
• Title: Wear Classification of Abrasive Flap Wheels using a Hierarchical Deep Learning Approach
• Title（参考訳）: 階層的深層学習手法を用いたアブラシブフラップホイールの摩耗分類
• Authors: Falko Kähler, Maxim Wille, Ole Schmedemann, Thorsten Schüppstuhl,
• Abstract要約: 本稿では,フラップホイールの状態監視を自動化するために,新しい視覚重み付き階層型分類フレームワークを提案する。 実フラップホイール画像のカスタム構築データセットが生成され,EfficientNetV2アーキテクチャを用いた転送学習アプローチが使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Abrasive flap wheels are common for finishing complex free-form surfaces due to their flexibility. However, this flexibility results in complex wear patterns such as concave/convex flap profiles or flap tears, which influence the grinding result. This paper proposes a novel, vision-based hierarchical classification framework to automate the wear condition monitoring of flap wheels. Unlike monolithic classification approaches, we decompose the problem into three logical levels: (1) state detection (new vs. worn), (2) wear type identification (rectangular, concave, convex) and flap tear detection, and (3) severity assessment (partial vs. complete deformation). A custom-built dataset of real flap wheel images was generated and a transfer learning approach with EfficientNetV2 architecture was used. The results demonstrate high robustness with classification accuracies ranging from 93.8% (flap tears) to 99.3% (concave severity). Furthermore, Gradient-weighted Class Activation Mapping (Grad-CAM) is utilized to validate that the models learn physically relevant features and examine false classifications. The proposed hierarchical method provides a basis for adaptive process control and wear consideration in automated flap wheel grinding.
• Abstract（参考訳）: アブラシブフラップホイールは、その柔軟性のために複雑な自由形の表面を仕上げるのに一般的である。 しかし, この柔軟性は, 凹面・凸面の形状やフラップの破断といった複雑な摩耗パターンをもたらし, 研削結果に影響を及ぼす。 本稿では,フラップホイールの摩耗状態監視を自動化するための,視覚に基づく階層型分類フレームワークを提案する。 モノリシックな分類法とは異なり,1) 状態検出(新しい対着用),(2) 摩耗型識別(正方形,凹凸形,凸形),およびフラップ断裂検出(部分的対完全変形)の3つの論理レベルに分解する。 実フラップホイール画像のカスタム構築データセットが生成され,EfficientNetV2アーキテクチャを用いた転送学習アプローチが使用された。 その結果、分類精度は93.8%(フラップの涙)から99.3%(重篤度)まで高いロバスト性を示した。 さらに、勾配重み付きクラス活性化マッピング(Grad-CAM)を用いて、モデルが物理的に関連する特徴を学習し、誤分類を検証する。 提案手法は, 自動フラップホイール研削における適応的プロセス制御と摩耗考慮の基礎となる。

関連論文リスト

• Unsupervised Learning for Industrial Defect Detection: A Case Study on Shearographic Data [0.0]
  本研究では,せん断画像の自動異常検出のための教師なし学習手法について検討する。 完全に接続されたオートエンコーダ、畳み込みオートエンコーダ、学生-教師モデルという3つのアーキテクチャが評価されている。 その結果, 生徒-教師のアプローチは, より優れた分類を達成し, 正確なローカライゼーションを可能にすることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T12:48:02Z)
• Foundation Models in Dermatopathology: Skin Tissue Classification [0.05397680436511065]
  本研究では,UNIとVirchhow2の2つの基礎モデルの性能を,全スライディング画像の分類のための特徴抽出器として評価する。 平均アグリゲーション戦略を用いて, パッチレベルの埋め込みをスライドレベルの特徴に集約した。 その結果、Virchow2を用いて抽出したパッチレベルの特徴は、ほとんどのスライドレベルの分類器でUNIを介して抽出した特徴よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-24T17:21:43Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
  本稿では,難易度検証を回避する多閾値深度学習手法を提案する。 その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。 埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
  論文  参考訳（メタデータ） (2024-06-24T08:27:31Z)
• LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
  本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T16:09:53Z)
• Enhancing Deformable Local Features by Jointly Learning to Detect and Describe Keypoints [8.390939268280235]
  局所特徴抽出は、画像マッチングや検索といった重要なタスクに対処するためのコンピュータビジョンにおける標準的なアプローチである。 鍵点を共同で検出・記述する新しい変形認識ネットワークであるDALFを提案する。 提案手法は、変形可能なオブジェクト検索と、非剛性な3次元表面登録という、2つの実世界のアプリケーションの性能を向上させる。
  論文  参考訳（メタデータ） (2023-04-02T18:01:51Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。