Wyniki wyszukiwania - BazTech

1

Issledovanie ispolʹzovaniâ fuzii peremennyh v processe primeneniâ metoda opornyh vektorov v diagnostic

Jegorowa Albina, Górski Jarosław, Kurek Jarosław

Annals of Warsaw University of Life Sciences - SGGW. Forestry and Wood Technology

|

2020

|

No. 110

97--102

RU

Исследование использования фузии переменных в процессе применения метода опорных векторов в диагностике сверл во время обработки древесностружечной плиты. Целью работы было определение возможности слияния т.е. фузии переменных, определенных для диагностики режущего инструмента используемого во время сверления древесностружечной ламинированной плиты, в основе которого лежит метод опорных векторов. В результате применения данного метода удалось редуцировать набор переменных на 92,75 % к первоначальному, что позволило улучшить показатель точности классификации во время мониторинга за состоянием режущего инструмента, сократить время на тренировку системы и улучшить показатели генерализации. Проведенные исследования показали, что данный метод работает и значительно улучшает качество классификации неинвазивного метода диагностики сверл. Точность классификации составила 85,10%. Система не допускает ошибок между крайними классами. Количество ошибок между соседними классами незначительно.

PL

Badanie wykorzystania fuzji cech diagnostycznych stosowanych podczas diagnostyki stopnia zużycia wierteł w trakcie obróbki płyt wiórowych laminowanych, z wykorzystaniem algorytmu maszyny wektorów wspierających. Celem pracy było określenie możliwości zastosowania fuzji zmiennych zdefiniowanych do diagnostyki narzędzia skrawającego stosowanego w trakcie wiercenia płyt wiórowych laminowanych, w oparciu o algorytm maszyny wektorów wspierających (SVM). W wyniku zastosowania tej metody możliwe było zmniejszenie zbioru zmiennych o 92,75%, do zbioru pierwotnego, co pozwoliło na poprawę dokładności klasyfikacji podczas monitorowania stanu narzędzi skrawających, skrócenie czasu uczenia oraz poprawę generalizacji. Badania wykazały, że metoda ta jest skuteczna, znacząco poprawiająca jakość klasyfikacji nieinwazyjnej diagnostyki wierteł. Dokładność klasyfikacji wyniosła 85,10%, a ponadto system nie dopuszcza do błędów pomiędzy klasami ekstremalnymi. Liczba błędów pomiędzy sąsiednimi klasami jest nieistotna.

2

Diagnostika rieżuszczego instrumienta s ispolzowanijem ałgoritma Treebagger wo wriemia swierlenija driewiesnost

Jegorowa Albina, Górski Jarosław, Kurek Jarosław, Iurev Maksim

Annals of Warsaw University of Life Sciences - SGGW. Forestry and Wood Technology

|

2020

|

No. 110

126--130

EN

Диагностика режущего инструмента с использованием алгоритма Treebagger во время сверления древесностружечной плиты. Целью работы была оценка возможности использования алгоритма Treebagger так называемого ансамбля деревьев, для оценки состояния износа режущей кромки инструмента используемого в деревообработке в режиме реального времени и без участия человека. Оценка точности классификации при использовании данного алгоритма. В результате использования данного метода удалось получить точность классификации на уровне 80 %. Что важно, использованный классификатор Treebagger не путает между собой крайние классы, „зеленый” и „красный”. Это позволяет сделать вывод, что при соответствующем усовершенствовании алгоритма можно получить более высокую точность классификации и возможно использовать его для создания системы неинвазивной оценки состояния режущего инструмента.

PL

Diagnostyka narzędzi skrawających z wykorzystaniem algorytmu Treebagger podczas wiercenia w płycie wiórowej. Celem pracy była ocena możliwości wykorzystania algorytmu Treebagger, tzw. zespołu drzew decyzyjnych, do oceny stanu zużycia ostrzy narzędzi wykorzystywanych w obróbce drewna oraz materiałów drewnopochodnych w czasie rzeczywistym i bez udziału operatora, a także ocena dokładności klasyfikacji przy zastosowaniu danego algorytmu. W wyniku zastosowania tej metody udało się uzyskać dokładność klasyfikacji na poziomie 80%. Co ważne, zastosowany klasyfikator Treebagger nie myli skrajnych klas: „zielonej” i „czerwonej”. Pozwala to stwierdzić, że wraz z odpowiednim ulepszeniem algorytmu można uzyskać wyższą dokładność klasyfikacji, jak i na jego podstawie stworzyć system do nieinwazyjnej oceny stanu narzędzi skrawających.

3

Data augmentation techniques for transfer learning improvement in drill wear classification using convolutional neural network

Kurek Jarosław, Antoniuk Izabella, Górski Jarosław, Jegorowa Albina, Świderski Bartosz, Kruk Michał, Wieczorek Grzegorz, Pach Jakub, Orłowski Arkadiusz, Aleksiejuk-Gawron Joanna

Machine Graphics and Vision

|

2019

|

Vol. 28, No. 1/4

3--12

EN

This paper presents an improved method for recognizing the drill state on the basisof hole images drilled in a laminated chipboard, using convolutional neural network (CNN) and data augmentation techniques. Three classes were used to describe the drill state: red - for drill that is worn out and should be replaced, yellow - for state in which the system should send a warning to the operator, indicating that this element should be checked manually, and green - denoting the drill that is still in good condition, which allows for further use in the production process. The presented method combines the advantages of transfer learning and data augmentation methods to improve the accuracy of the received evaluations. In contrast to the classical deep learning methods, transfer learning requires much smaller training data sets to achieve acceptable results. At the same time, data augmentation customized for drill wear recognition makes it possible to expand the original dataset and to improve the overall accuracy. The experiments performed have confirmed the suitability of the presented approach to accurate class recognition in the given problem, even while using a small original dataset.

4

Classifiers ensemble of transfer learning for improved drill wear classification using convolutional neural network

Kurek Jarosław, Antoniuk Izabella, Górski Jarosław, Jegorowa Albina, Świderski Bartosz, Kruk Michał, Wieczorek Grzegorz, Pach Jakub, Orłowski Arkadiusz, Aleksiejuk-Gawron Joanna

Machine Graphics and Vision

|

2019

|

Vol. 28, No. 1/4

13--23

EN

In this paper we introduce the enhanced drill wear recognition method, based on classifiers ensemble, obtained using transfer learning and data augmentation methods. Red, green and yellow classes are used to describe the current drill state. The first one corresponds to the case when drill should be immediately replaced. The second one denotes a tool that is still in a good condition. The final class refers to the case when a drill is suspected of being worn out, and a human expert evaluation would be required. The proposed algorithm uses three different, pretrained network models and adjusts them to the drill wear classification problem. To ensure satisfactory results, each of the methods used was required to achieve accuracy above 90% for the given classification task. Final evaluation is achieved by voting of all three classifiers. Since the initial data set was small (242 instances), the data augmentation method was used to artificially increase the total number of drill hole images. The experiments performed confirmed that the presented approach can achieve high accuracy, even with such a limited set of training data.