登入
facebook
google-plus
twitter
linkedIn
活動看板
產經情報
廠商名錄
知識分享
需求快遞
技術供應
網站連結
會員專區
聯絡AOIEA
訂閱電子報
facebook
google-plus
twitter
linkedIn
知識分享
首頁
>
知識分享
>
技術專欄
技術專欄
會員ppt
字級設定:
大
中
小
收藏
.
.
機器學習在缺陷類型識別中的應用
建立日期:2019/10/31
作者:
中華大學機械工程系/邱奕契
出處:
2019 AOI論壇與展覽
內容:
缺陷識別(defect identification)是確認缺陷的類型,缺陷亦稱瑕疵(flaw),因此缺陷類型的識別亦稱為瑕疵分類。缺陷識別的主要目標是在線辨識缺陷的類型,以利缺陷源頭的確認並採取相應措施。鑒於機器學習的成功應用與快速發展,本研究分別使用多層感知機(MLP)、逆傳遞神經(BPN)網路、卷積神經網路(CNN)及遷移學習(transfer learning)法,針對15種不同類型的缺陷進行分類並比較其優缺點。研究結果顯示,這四種方法的驗證精確度(validation accuracy)都超過92%,說明了上述這4種分類法在預測缺陷類型上的可行性。CNN讓投入電腦視覺領域的門檻降低了,讓傳統樣本識別、物件偵測及瑕疵分類等工作變容易了。值得一提的是,驗證精確度固然重要,需要花多少時間訓練以及預測也很重要。相較於CNN,MLP及BPN所需訓練的參數較少,因此在辨識速度上有其優勢。
檔案下載:
全文下載
下載次數:
155
分享本訊息:
分享到 facebook
分享到 google+
分享到 twitter
分享到 linkedin
回上頁