面向增材制造过程排放检测的自适应人在回路方法及基于计算机视觉的主动学习
机器学习
2022-12-14 v1 人工智能
计算机视觉与模式识别
摘要
增材制造(Additive Manufacturing, AM)（又称3D打印）中原位监测与过程控制的最新进展，使得在零件制造构建过程中能够收集大量排放数据。该数据可用作3D打印零件的三维与二维表示的输入。然而，该数据的分析、使用以及表征目前仍是人工过程。本文旨在提出一种利用机器学习技术的自适应人在回路方法，自动检查并标注AM过程中生成的排放数据。更具体地，本文将考察两种场景：首先，使用卷积神经网络(CNNs)自动检查并分类由原位监测收集的排放数据；其次，将主动学习(Active Learning)技术应用于所开发的分类模型，以构建人在回路机制，从而加速排放数据的标注过程。基于CNN的方法依赖于迁移学习与微调，这使得该方法可适用于其他工业图像模式。该方法的自适应特性由不确定性采样策略实现，用于自动选择呈现给人类专家进行标注的样本。
引用
@article{arxiv.2212.06153,
title = {An adaptive human-in-the-loop approach to emission detection of Additive Manufacturing processes and active learning with computer vision},
author = {Xiao Liu and Alan F. Smeaton and Alessandra Mileo},
journal= {arXiv preprint arXiv:2212.06153},
year = {2022}
}
备注
7 pages, 9 figures, 1 table. Presented at The 6th IEEE Workshop on Human-in-the-Loop Methods and Future of Work in BigData (IEEE HMData 2022) December 2022