文献

J-GLOBAL ID：202202291754608079   整理番号：22A0802806

弱教師つき学習に基づく円筒金属工作物の表面欠陥検査【JST・京大機械翻訳】

Surface defects inspection of cylindrical metal workpieces based on weakly supervised learning

著者 (5件)： Ye Mu (School of Mechanical and Automotive Engineering, Shanghai University Of Engineering Science, Shanghai, China) ,  Zhang Weiwei (School of Mechanical and Automotive Engineering, Shanghai University Of Engineering Science, Shanghai, China) ,  Zhang Weiwei (School of Vehicle and Mobility, Tsinghua University, Beijing, China) ,  Cui Guohua (School of Mechanical and Automotive Engineering, Shanghai University Of Engineering Science, Shanghai, China) ,  Wang Xiaolan (School of Mechanical and Automotive Engineering, Shanghai University Of Engineering Science, Shanghai, China)
資料名： International Journal of Advanced Manufacturing Technology  (International Journal of Advanced Manufacturing Technology)
巻： 119  号： 3-4  ページ： 1933-1949  発行年： 2022年 
JST資料番号： T0397A  ISSN： 0268-3768  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 弱い教師つき学習は,画像タグラベルを適用して,欠陥を位置決めするために畳み込みニューラルネットワークを訓練する。産業ビジョンシステムにおいて,金属表面はすべての方向で光の下で異方性であり,特に円筒金属表面上で,活性強光の自然反射による局所過剰曝露を引き起こすことは避けられない。本論文では,インジェクタバルブを円筒金属工作物の代表として取り上げた。画素レベルアノテーションを引き起こす円筒金属工作物欠陥の多様性と複雑性は,高価な手動作業を必要とする。この問題は,産業における畳込みニューラルネットワークの応用を妨げる。これらの課題を解決するため,本論文では,統合残差注意畳込みニューラルネットワーク(IRA-CNN)と名付けたエンドツーエンド弱教師つき学習フレームワークを提案した。IRA-CNNは,訓練のために画像タグアノテーションのみを使用し,同時に欠陥分類と欠陥セグメンテーションを実行する。欠陥分類スコアからカテゴリー関連空間特徴を抽出することにより,弱い教師つき学習を達成した。IRA-CNNは,精度を改善し実時間性能を達成する特徴抽出器として,多重統合残留注意ブロック(IRA-Block)から成る。IRA-Blockはチャネル注意サブモジュールと空間注意サブモジュールを含む統合注意モジュール(IAM)を加える。チャネル注意サブモジュールは,その両側非線形性とロバスト性を改善するために,チャネル注意特徴マップを適応的に抽出する。IAMはIRA-CNNに良好に統合でき,ニューラルネットワークは無利用背景領域の干渉を抑制し,欠陥領域を強調する。満足した性能は,産業プロセスにおける要求を満たすことができる著者らの自身の欠陥データセットにおいて,提案した方法によって達成した。実験結果は,この方式には良い一般化能力があることを示した。欠陥分類の精度は97.84%に達し,セグメンテーション精度はベンチマーク法と比較して著しく改善された。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： セグメンテーション ,  分類 ,  ニューラルネットワーク ,  特徴抽出 ,  残差 ,  インゼクタ ,  故障検出 ,  画素 ,  *教師つき学習 ,  多重化 ,  エンドツーエンド方式 ,  ロバスト性
準シソーラス用語： 金属表面 ,  特徴マップ ,  欠陥分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械視覚 ,  欠陥検出 ,  深層学習 ,  弱教師つき学習 ,  畳込みニューラルネットワーク

分類 (4件)： ニューロコンピュータ  (JC06010Q) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 教師つき学習 ,  工作物 ,  欠陥検査