文献

J-GLOBAL ID：201802247070414790   整理番号：18A1760047

機械学習と画像処理を用いた画像データ向けの欠陥検出システムの構築

Construction of Defect Detection System for Image DataUsing Machine Learning and Image Processing

著者 (5件)： YOSHIDA Kenta (Department of Industrial Administration, Faculty of Science and Technology, Tokyo University of Science) ,  IWASAWA Tatsuya (Department of Industrial Administration, Faculty of Science and Technology, Tokyo University of Science) ,  SANO Natsuki (Department of Economic Information, Faculty of Economic Information, Onomichi City University) ,  TANAKA Mirai (Department of Mathematical Analysis and Statistical Inference, The Institute of Statistical Mathematics) ,  SUZUKI Tomomichi (Department of Industrial Administration, Faculty of Science and Technology, Tokyo University of Science)
資料名： Total Quality Science (Web)  (Total Quality Science (Web))
巻： 3  号： 2  ページ： 46-58(J-STAGE)  発行年： 2017年 
JST資料番号： U0642A  ISSN： 2189-3195  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 製造における最近の技術進歩は高速大量生産を可能にしており,多くの製造業は欠陥製品を検出するカメラなどのオンライン検査機械を利用して生産能力を向上させている。しかし,オンライン検査機械は未だに開発段階であり,誤分類の原因となって,製造業の信頼性に関わる不必要な投資や潜在的な損失をもたらす可能性がある。本研究の目的は,より正確な欠陥検出システムを構築し,非欠陥製品と欠陥製品を識別することである。従来研究では,分類前のフィルタリングウィンドウに関連した特徴抽出のようなフィルタリング手法を利用して精度を向上させている。本研究では,その精度をさらに向上させるために,分類プロセスにおいて異なるアプローチを採用した。筆者等は,前処理プロセスとランダムフォレストからの可変的な重要性に基づく特徴抽出プロセスのほか,新たに開発したアンサンブル分類器で構成される分類プロセスを設計した。その結果として,90%以上の精度で分類を行う欠陥検出システムの構築に成功した。同システムは従来システムよりも正確である。分類における困難性を克服するAdaBoostアルゴリズムを最大限に活用することによって,同システムの精度が向上した。(翻訳著者抄録)

シソーラス用語： *機械学習 ,  *画像処理 ,  故障検出 ,  精度 ,  分類 ,  特徴抽出 ,  分類装置 ,  計算機アルゴリズム ,  データ
準シソーラス用語： アンサンブル分類器 ,  ランダムフォレスト ,  画像データ ,  欠陥検出 ,  分類精度

著者キーワード (5件)： 画像処理 ,  分類精度 ,  アンサンブル分類 ,  多様な重要性 ,  弱い分類器

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

引用文献 (10件)：

• 1 Ajay Kumar (2002), “Neural network based detection of local textile defects”, Pattern Recognition, 36(7):1645-1659.
• 2 Bahman Jamshidi Eini, Abbas Saghaei, S. Hossein Hosseini, Ali Hamedanian (2013), “Defect detection and preventive maintenance prioritization of distribution cubicles by infrared statistical image processing”, Proceedings of 22nd International Conference and Exhibition on Electricity Districution.
• 3 G. M. Rahaman, Md. Mobarak Hossain (2009), “Automatic defect detection and classification technique from image: a special case using ceramic tiles”, International Journal of Computer Science and Information and Security, 1(1):22-33.
• 4 Leo Breiman (2001), “Random Forests”, Machine Learning, Vol.45, No.1, pp. 5-32.
• 5 Natsuki Sano, Yuki Mori, Tomomichi Suzuki (2016), “Defect Detection using two-dimensional moving range filter and unanimous vote among color component classifiers” Proceedings of the 3rd multidisciplinary International Social Networks Conference.

タイトルに関連する用語 (4件)： 機械学習 ,  画像処理 ,  欠陥検出システム ,  構築