運用卷積神經網路遷移學習與資料擴增方法於瑕疵之分類
檔案
本條目沒有附加檔案。
日期
2022-04-01
出版者
國立陽明交通大學經營管理研究所
期刊名稱
管理與系統
摘要
隨著工業技術的發展,工廠通常導入自動光學檢查系統,以識別生產線中的產品缺陷。但是,訓練圖像分類系統仍然存在一些困難,例如數據不平衡和費時的標記。為了解決這些問題,本研究透過使用卷積神經網絡、遷移學習和資料擴增方法,提出了一有效的缺陷分類建模程序。使用台灣某LED顯示器製造商提供的LED板材瑕疵影像資料來構建模型,並分析模型的準確性和訓練時間。在進行比較分析之後,本研究建議使用線上資料擴增手法來增加資料集的變化性,然後再微調預訓練模型以進行瑕疵分類,該模型分類準確度可高達98%。此結果說明,使用所提出的程序,工廠可以快速建立缺陷分類系統以監視生產流程。
所屬典藏
管理與系統引用此條目
Li-Fei Chen, Yun-Ya Huang, Li-Hsueh Chang, & Chao-Ton Su (2022). Defect Classification Using CNN Transfer Learning and Data Augmentation. Journal of Management and Systems, 29(2), 223–239. https://doi.org/10.29416/JMS.202204_29(2).0004
引用文字依 APA 第 7 版格式自動產生,使用前請再核對。
分享
永久網址:https://ir.lib.nycu.edu.tw/handle/11536/159690