Cyclegan Network for Sheet Metal Welding Drawing Translation

要約

インテリジェントマニュファクチャリングでは、機械翻訳によるエンジニアリング図面の品質が製造精度に直接影響します。
現在、ほとんどの作業が手作業で翻訳されており、生産効率が大幅に低下しています。
この論文では、Cyclic Generative Adversarial Networks (CycleGAN) に基づく溶接構造工学図面の自動翻訳方法を提案します。
不対伝達学習のCycleGANネットワークモデルを使用して、実際の溶接設計図面の特徴マッピングを学習し、設計図面の自動翻訳を実現します。
U-Net と PatchGAN は、それぞれジェネレータとディスクリミネータのメイン ネットワークです。
アイデンティティ マッピング機能の削除に基づいて、Cyclegan ジェネレーターの従来の密なネットワークを置き換えて、ノイズのロバスト性を向上させるために、高次元の疎なネットワークが提案されています。
生成されたグラフの解像度を上げるには、残りのブロックの隠れ層を増やします。
改良および微調整されたネットワーク モデルは実験的に検証され、実際のデータと生成されたデータのギャップが計算されます。
溶接工学の精度基準を満たし、溶接製造工程における図面認識効率が低いという主な問題を解決します。
結果が表示されます。
モデルでトレーニングした後、溶接工学図面の PSNR、SSIM、および MSE は、それぞれ約 44.89%、99.58%、および 2.11 に達し、トレーニング速度と精度の両方で従来のネットワークよりも優れています。

要約(オリジナル)

In intelligent manufacturing, the quality of machine translation engineering drawings will directly affect its manufacturing accuracy. Currently, most of the work is manually translated, greatly reducing production efficiency. This paper proposes an automatic translation method for welded structural engineering drawings based on Cyclic Generative Adversarial Networks (CycleGAN). The CycleGAN network model of unpaired transfer learning is used to learn the feature mapping of real welding engineering drawings to realize automatic translation of engineering drawings. U-Net and PatchGAN are the main network for the generator and discriminator, respectively. Based on removing the identity mapping function, a high-dimensional sparse network is proposed to replace the traditional dense network for the Cyclegan generator to improve noise robustness. Increase the residual block hidden layer to increase the resolution of the generated graph. The improved and fine-tuned network models are experimentally validated, computing the gap between real and generated data. It meets the welding engineering precision standard and solves the main problem of low drawing recognition efficiency in the welding manufacturing process. The results show. After training with our model, the PSNR, SSIM and MSE of welding engineering drawings reach about 44.89%, 99.58% and 2.11, respectively, which are superior to traditional networks in both training speed and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google