用于注塑成型中几何曲面预测的生成对抗网络
机器学习
2019-01-30 v1 计算机视觉与模式识别
机器学习
摘要
几何与外观质量要求设定了当前注塑成型工业性能的极限。为保证产品质量，有必要在闭环中调整工艺参数。这些调整无法依赖于最终质量，因为零件需要数天才能达到几何稳定。因此，必须根据热零件上的测量结果预测最终零件几何形状。本文中，我们利用生成对抗网络(GAN)结合pix2pix网络架构在近期取得的成功，仅使用生产后即刻测量的热零件热成像图像来预测最终零件几何形状。我们的数据集非常小，GAN学习将热成像转换为几何形状。我们首先使用不同的图像相似性比较算法研究预测性能。此外，我们引入了离散模态分解(DMD)分析网络预测的创新用法。DMD是一种利用模态空间投影来几何描述曲面的几何参数化技术。我们研究GAN恢复曲面几何参数化的性能。
引用
@article{arxiv.1901.10178,
title = {Generative Adversarial Networks for geometric surfaces prediction in injection molding},
author = {Pierre Nagorny and Thomas Lacombe and Hugues Favreliere and Maurice Pillet and Eric Pairel and Ronan Le Goff and Marlene Wali and Jerome Loureaux and Patrice Kiener},
journal= {arXiv preprint arXiv:1901.10178},
year = {2019}
}
备注
IEEE. 2018 IEEE International Conference on Industrial Technology (ICIT), Feb 2018, Lyon, France, http://www.icit2018.org