Automated Surface Quality Control via Deep Visual Inspection in Manufacturing: A ResNet50 Implementation Case Study
Notice bibliographique
Résumé
Effective quality assurance in industrial manufacturing hinges on the accurate detection and classification of surface anomalies.Conventional manual visual inspection methods are inherently limited by operator subjectivity and fatigue, leading to inconsistent results and potential errors.To minimize these limitations, automated inspection systems utilizing Artificial Intelligence (AI), specifically Convolutional Neural Networks (CNNs), have been implemented.Among the widely adopted CNN architectures for this application are ResNet50, MobileNetV3, and EfficientNet-B0.The ResNet50 which is characterized by its deep residual learning framework exhibits superior classification accuracy, rendering it particularly suitable for identifying nuanced and complex defects.The second one, MobileNetV3, engineered for low-latency inference on mobile or resource-constrained hardware, offers accelerated processing but compromises slightly on accuracy.The last one, EfficientNet-B0, provides a balanced trade-off between accuracy and computational efficiency, yet its performance is surpassed by ResNet50 when classifying intricate defect patterns.Our findings confirm that ResNet50 demonstrates superior performance, especially for high-fidelity detection tasks involving defect types like cracks, stains, and deformations.Although MobileNetV3 and EfficientNet-B0 serve well in real-time or lightweight system deployments, ResNet50 remains the optimal choice for industrial contexts where maximizing detection accuracy is paramount, owing to its robustness in modeling complex defect characteristics and delivering reliable classifications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».