基于田口方法的序贯卷积神经网络设计用于缺陷紧固件分类
计算机视觉与模式识别
2022-07-25 v1 人工智能
摘要
紧固件在固定机械各部件中起着关键作用。由于生产过程中的材料特性和设备操作不当，紧固件表面会产生凹痕、裂纹和划痕等变形。因此，需要质量控制以确保安全可靠的运行。现有的缺陷检测方法依赖人工检查，耗费大量时间、资金和其他资源；并且由于人为误差，准确性无法保证。自动缺陷检测系统已被证明比人工检测技术在缺陷分析方面更有成效。然而，卷积神经网络（CNN）和基于深度学习的方法等计算技术是演进式方法。通过仔细选择设计参数值，可以充分发挥CNN的潜力。本研究利用基于田口方法的实验设计与分析，尝试开发一种鲁棒的自动系统。用于训练系统的数据集是手动创建的M14尺寸螺母数据，具有两个标记类别：缺陷与非缺陷。数据集中共有264张图像。所提出的序贯CNN在0.001学习率下取得了96.3%的验证准确率和0.277的验证损失。
引用
@article{arxiv.2207.10992,
title = {Taguchi based Design of Sequential Convolution Neural Network for Classification of Defective Fasteners},
author = {Manjeet Kaur and Krishan Kumar Chauhan and Tanya Aggarwal and Pushkar Bharadwaj and Renu Vig and Isibor Kennedy Ihianle and Garima Joshi and Kayode Owa},
journal= {arXiv preprint arXiv:2207.10992},
year = {2022}
}
备注
13 pages, 6 figures