Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Diagnosis of COVID-19 on Chest X-ray (CXR) Images Using CNN with Transfer Learning and Integrated Stacking Ensemble Learning Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

A Feature-Based Transfer Learning Method for Surface Defect Detection in Smart Manufacturing

verfasst von : Muhammad Ateeq, Anwar P. P. Abdul Majeed, Hadyan Hafizh, Mohd Azraai Mohd Razman, Ismail Mohd Khairuddin, Nurul Hazlina Noordin

Erschienen in: Intelligent Manufacturing and Mechatronics

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The employment of deep learning architecture for defect detection in the manufacturing industry has gained due attention owing to the advancement of computational technology. Conventional means of defect detection by manual visual inspection by operators are often deemed laborious as well as prone to mistakes. In the present study, a feature-based transfer learning approach is used to classify surface defects. The KolektorSDD database is used in the present study. Two pipelines were developed to investigate its efficacy in detecting the defects, namely the VGG16-kNN and VGG16-SVM pipelines, respectively. It was demonstrated from the study that the VGG16-SVM pipeline was more superior compared to the VGG16-kNN pipeline as no misclassification transpired in either the test or the validation dataset. It could be concluded that the proposed pipeline is suitable for the classification of surface defects.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Enhancing Shoe Rack Ergonomics: A Comprehensive Analysis
Nächstes Kapitel Simulation on Effect of Ultrasonic Shot Peening Velocity on VMS of Aluminum A380 Die-Casting Alloy
Literatur
1.
Papageorgiou EI, Theodosiou T, Margetis G, Dimitriou N, Charalampous P, Tzovaras D, Samakovlis I (2021) Short survey of artificial intelligent technologies for defect detection in manufacturing. In: 2021 12th International Conference on Information, Intelligence, Systems and Applications (IISA). IEEE, pp 1–7
2.
Gotmare A, Bokade S (2019) Internet of Things in Manufacturing: a review on applications, challenges and future directions. In: 61st 5th conference, p 431
3.
Bures M, Cerny T, Ahmed BS (2018) Internet of things: Current challenges in the quality assurance and testing methods. In: Information Science and Applications 2018: ICISA 2018. Springer, pp 625–634
4.
Tercan H, Meisen T (2022) Machine learning and deep learning based predictive quality in manufacturing: a systematic review. J Intell Manuf 33:1879–1905CrossRef
5.
Nalbach O, Linn C, Derouet M, Werth D (2018) Predictive quality: towards a new understanding of quality assurance using machine learning tools. In: Business Information Systems: 21st International Conference, BIS 2018, Berlin, Germany, Proceedings, vol 21. Springer, pp 30–42
6.
7.
Chandrayan B, Kumar R (2020) IoT integration in industry—a literature review. Recent Adv Mech Eng Select Proc NCAME 2019:9–17CrossRef
8.
Yang J, Li S, Wang Z, Dong H, Wang J, Tang S (2020) Using deep learning to detect defects in manufacturing: a comprehensive survey and current challenges. Materials 13:5755CrossRef
9.
Cheon S, Lee H, Kim CO, Lee SH (2019) Convolutional neural network for wafer surface defect classification and the detection of unknown defect class. IEEE Trans Semicond Manuf 32:163–170CrossRef
10.
Fadli VF, Herlistiono IO (2020) Steel surface defect detection using deep learning. Int J Innov Sci Res Technol 5:244–250
11.
Scime L, Beuth J (2018) A multi-scale convolutional neural network for autonomous anomaly detection and classification in a laser powder bed fusion additive manufacturing process. Addit Manuf 24:273–286
12.
San-Payo G, Ferreira JC, Santos P, Martins AL (2020) Machine learning for quality control system. J Ambient Intell Humaniz Comput 11:4491–4500CrossRef
13.
Xuen LS, Mohd Khairuddin I, Mohd Razman MA, Mat Jizat JA, Yuen E, Jiang H, Yap EH, Abdul Majeed A (2023) The classification of wafer defects: a support vector machine with different densenet transfer learning models evaluation. In: Robot intelligence technology and applications 7: results from the 10th international conference on robot intelligence technology and applications. Springer, pp 304–309
14.
Mat Jizat JA, Abdul Majeed APP, Ab. Nasir AF, Taha Z, Yuen E, Lim SX (2022) Evaluation of the transfer learning models in wafer defects classification. In: Recent trends in mechatronics towards industry 4.0: selected articles from iM3F 2020, Malaysia. Springer, pp 873–881
15.
Metadaten
Titel
A Feature-Based Transfer Learning Method for Surface Defect Detection in Smart Manufacturing
verfasst von
Muhammad Ateeq
Anwar P. P. Abdul Majeed
Hadyan Hafizh
Mohd Azraai Mohd Razman
Ismail Mohd Khairuddin
Nurul Hazlina Noordin
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Intelligent Manufacturing and Mechatronics

Print ISBN: 978-981-9988-18-1

Electronic ISBN: 978-981-9988-19-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-8819-8_37

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise