文献

J-GLOBAL ID：202202213021040616   整理番号：22A0467047

不均衡マルチラベル表面欠陥分類のための深層学習モデル【JST・京大機械翻訳】

Deep learning model for imbalanced multi-label surface defect classification

著者 (3件)： Liu Yang (University of Bremen, 28359 Bremen, Germany) ,  Yuan Yachao (Institute of Computer Science, University of Goettingen, 37077 Goettingen, Germany) ,  Liu Jing (Key Laboratory of Materials Processing Engineering, School of Material Science and Engineering, Xi’an Shiyou University, Xi’an 710065, People’s Republic of China)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 33  号： 3  ページ： 035601 (12pp)  発行年： 2022年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 自動欠陥分類は製品品質,特に鉄鋼生産を確保するために重要である。実世界では,ラベル付きの収集試料の量は,高い労働コストのために制限され,収集したデータセットは通常不均衡であり,正確な鋼欠陥分類は非常に困難である。本論文では,不均衡マルチラベル表面欠陥分類(ImDeepと呼ぶ)のための新しい深層学習モデルを提案した。鋼表面の異なる欠陥タイプを同定するために,鋼生産ラインに容易に展開できる。ImDeepは,3つの重要な技術,すなわち,不均衡サンプル,Fussy-FusionNet,および転送学習を組み入れる。それは,マルチラベルによるモデルの分類性能を改善し,低待ち時間の小さいデータセットのモデルの複雑さを低減する。異なる融合戦略の性能とImDeepの3つの重要な技術を検証した。シミュレーション結果は,ImDeepが,様々なサイズを有する公開データセット上の最先端よりも優れた性能を達成することを証明した。特に,ImDeepは,低い待ち時間を有する小さな不均衡データセット上の鋼表面欠陥分類のおよそ97%の精度を達成し,最先端技術と比較して約10%改善した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  *学習 ,  労務費 ,  鋼 ,  待ち時間 ,  生産ライン ,  製品品質
準シソーラス用語： 不均衡データセット ,  *深層学習 , 【Automatic Indexing@JST】

分類 (3件)： 格子欠陥の観察・実験技術  (BK12020U) ,  長さ,面積,断面,体積,容積,角度の計測法・機器  (AD05020O) ,  非破壊試験  (HB02030F)

タイトルに関連する用語 (7件)： 均衡 ,  マルチ ,  ラベル ,  表面欠陥 ,  分類 ,  深層学習 ,  モデル