دپارتمان مهندسی مکانیک ایران

انجمن مهندسی مکانیک

انجمن تست های غیر مخرب

انجمن علمی مهندسی پزشکی

انجمن بیومکانیک

آموزش تعمیر تجهیزات پزشکی

آموزش تعمیرات تجهیزات پزشکی

دوره های مهندسی پزشکی

دوره های آموزشی مهندسی پزشکی

انجمن مهندسی پزشکی

آموزش تعمیر تجهیزات دندانپزشکی

آموزش بازرسی جوش

آموزش پایپینگ


             

Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection

Abstract

Fast and reliable industrial inspection is a main challenge in manufacturing scenarios. However, the defect detection performance is heavily dependent on manually defined features for defect representation. In this contribution, we investigate a new paradigm from machine learning, namely deep machine learning by examining design configurations of deep Convolutional Neural Networks (CNN) and the impact of different hyper-parameter settings towards the accuracy of defect detection results. In contrast to manually designed image processing solutions, deep CNN automatically generate powerful features by hierarchical learning strategies from massive amounts of training data with a minimum of human interaction or expert process knowledge. An application of the proposed method demonstrates excellent defect detection results with low false alarm rates.

Keywords

  • Quality assurance;
  • Artificial intelligence;
  • Deep machine learning

دانلود مقاله کامل -- ویژه اعضای طلایی

alt

جهت اطلاع از نحوه ارتقا عضویت طلایی به

آپشن اعضای طلایی مراجعه فرمایید

 
سامانه هوشمند ژورنال مقالات