Convolutional Neural Networks: Basic Concepts and Applications in Manufacturing

要約

畳み込みニューラル ネットワーク (CNN) の基本概念について説明し、製造における使用方法の概要を説明します。
まず、製造で一般的に遭遇するさまざまなタイプのデータ オブジェクト (時系列、画像、顕微鏡写真、ビデオ、スペクトル、分子構造など) をテンソルとグラフを使用して柔軟に表現する方法について説明します。
次に、CNN が畳み込み演算を使用してそのような表現から有益な特徴 (幾何学的パターンやテクスチャなど) を抽出し、創発的な特性や現象を予測したり、異常を特定したりする方法について説明します。
また、CNN が色を重要な情報源として活用する方法についても説明します。これにより、最新のコンピューター ビジョン ハードウェア (赤外線カメラ、サーマル カメラ、ハイパースペクトル カメラなど) の使用が可能になります。
スペクトル分析、分子設計、センサー設計、画像ベースの制御、および多変量プロセス監視で発生する多様なケース スタディを使用して概念を説明します。

要約(オリジナル)

We discuss basic concepts of convolutional neural networks (CNNs) and outline uses in manufacturing. We begin by discussing how different types of data objects commonly encountered in manufacturing (e.g., time series, images, micrographs, videos, spectra, molecular structures) can be represented in a flexible manner using tensors and graphs. We then discuss how CNNs use convolution operations to extract informative features (e.g., geometric patterns and textures) from the such representations to predict emergent properties and phenomena and/or to identify anomalies. We also discuss how CNNs can exploit color as a key source of information, which enables the use of modern computer vision hardware (e.g., infrared, thermal, and hyperspectral cameras). We illustrate the concepts using diverse case studies arising in spectral analysis, molecule design, sensor design, image-based control, and multivariate process monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google