Unsupervised Welding Defect Detection Using Audio And Video

要約

この研究では、ロボット溶接への AI の応用を検討します。
ロボット溶接は多くの業界で広く使用されている技術ですが、現時点ではロボットには溶接プロセスのさまざまな理由で発生する溶接欠陥を検出する機能がありません。
ディープラーニング手法を適用して、マイクとカメラで溶接プロセスを記録することにより、溶接欠陥をリアルタイムで検出する方法について説明します。
私たちの調査結果は、さまざまな溶接タイプ、材料、さまざまな欠陥カテゴリをカバーする、収集した 4,000 を超える溶接サンプルを含む大規模なデータベースに基づいています。
潜在的な欠陥の空間が大きく、データ内の欠陥にはバイアスが含まれている可能性があるため、すべての深層学習モデルは教師なしの方法でトレーニングされます。
私たちは、ほとんどのカテゴリの溶接欠陥の信頼できるリアルタイム検出が音声とビデオの両方から実現可能であり、両方のモダリティを組み合わせることで改善が達成されることを実証します。
具体的には、マルチモーダル アプローチにより、データ内の 11 種類の欠陥すべてで平均 ROC 曲線下面積 (AUC) 0.92 が達成されました。
この論文は、欠陥タイプごとの結果の分析と今後の研究についての議論で締めくくられています。

要約(オリジナル)

In this work we explore the application of AI to robotic welding. Robotic welding is a widely used technology in many industries, but robots currently do not have the capability to detect welding defects which get introduced due to various reasons in the welding process. We describe how deep-learning methods can be applied to detect weld defects in real-time by recording the welding process with microphones and a camera. Our findings are based on a large database with more than 4000 welding samples we collected which covers different weld types, materials and various defect categories. All deep learning models are trained in an unsupervised fashion because the space of possible defects is large and the defects in our data may contain biases. We demonstrate that a reliable real-time detection of most categories of weld defects is feasible both from audio and video, with improvements achieved by combining both modalities. Specifically, the multi-modal approach achieves an average Area-under-ROC-Curve (AUC) of 0.92 over all eleven defect types in our data. We conclude the paper with an analysis of the results by defect type and a discussion of future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google