Boosting Defect Detection in Manufacturing using Tensor Convolutional Neural Networks

要約

欠陥検出は、製造部門の品質管理段階において最も重要であると同時に困難なタスクの 1 つです。
この研究では、Tensor Convolutional Neural Network (T-CNN) を導入し、ロバート ボッシュの製造工場で製造される超音波センサーのコンポーネントの 1 つにおける実際の欠陥検出アプリケーションでのパフォーマンスを検証します。
量子にインスピレーションを受けた当社の T-CNN は、縮小されたモデル パラメーター空間で動作し、精度を犠牲にすることなく同等の CNN モデルのトレーニング速度とパフォーマンスを大幅に向上させます。
より具体的には、T-CNN が品質指標で測定される従来の CNN と同じパフォーマンスを、最大 15 分の 15 少ないパラメータと 4% ～ 19% 速いトレーニング時間でどのように達成できるかを実証します。
私たちの結果は、T-CNN が従来の人による目視検査の結果を大幅に上回り、製造における現在の実際のアプリケーションに価値を提供することを示しています。

要約(オリジナル)

Defect detection is one of the most important yet challenging tasks in the quality control stage in the manufacturing sector. In this work, we introduce a Tensor Convolutional Neural Network (T-CNN) and examine its performance on a real defect detection application in one of the components of the ultrasonic sensors produced at Robert Bosch’s manufacturing plants. Our quantum-inspired T-CNN operates on a reduced model parameter space to substantially improve the training speed and performance of an equivalent CNN model without sacrificing accuracy. More specifically, we demonstrate how T-CNNs are able to reach the same performance as classical CNNs as measured by quality metrics, with up to fifteen times fewer parameters and 4% to 19% faster training times. Our results demonstrate that the T-CNN greatly outperforms the results of traditional human visual inspection, providing value in a current real application in manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google