使用张量卷积神经网络提升制造业缺陷检测
计算机视觉与模式识别
2024-04-29 v2 人工智能
机器学习
量子物理
摘要
缺陷检测是制造业质量控制阶段最重要但也最具挑战性的任务之一。在这项工作中，我们引入了一种张量卷积神经网络（T-CNN），并在罗伯特·博世制造工厂生产的超声波传感器的一个组件上，检验了其在真实缺陷检测应用中的性能。我们受量子启发的T-CNN在缩减的模型参数空间上运行，以在不牺牲准确性的情况下显著提高等效CNN模型的训练速度和性能。更具体地说，我们展示了T-CNN如何能够达到与经典CNN相同的性能（通过质量指标衡量），同时参数减少多达15倍，训练时间加快4%到19%。我们的结果表明，T-CNN大大优于传统人工视觉检查的结果，在当前的制造业实际应用中提供了价值。
引用
@article{arxiv.2401.01373,
title = {Boosting Defect Detection in Manufacturing using Tensor Convolutional Neural Networks},
author = {Pablo Martin-Ramiro and Unai Sainz de la Maza and Sukhbinder Singh and Roman Orus and Samuel Mugel},
journal= {arXiv preprint arXiv:2401.01373},
year = {2024}
}
备注
12 pages, 4 figures, 2 tables