Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,546,211

 Enhancing automated defect detection through sequential clustering and classification: An industrial case study using the Sine-Cosine Algorithm, Possibilistic Fuzzy c-means, and Artificial Neural Network
Tác giả hoặc Nhóm tác giả: T.P.Q. Nguyen, C.L. Yang, M.D. Le, T.T. Nguyen, M.T. Luu
Nơi đăng: Advances in Production Engineering & Management; Số: 18;Từ->đến trang: 237-249;Năm: 2023
Lĩnh vực: Khoa học công nghệ; Loại: Bài báo khoa học; Thể loại: Quốc tế
TÓM TẮT
ABSTRACT
Most existing inspection models solely classify defects as either good or bad, focusing primarily on separating flaws from perfect ones. The sequential clustering and classification technique (SCC) is used in this work to not only identify and categorize the defects but also investigate their root causes. Conventional clustering techniques like k-means, fuzzy c-means, and self-organizing map are employed in the first stage to find the defects in the finished products. Then, a novel clustering method, that combines a sine-cosine algorithm and possibilistic fuzzy c-means (SCA-PFCM), is proposed to classify the detected defects into multiple groups to identify the defect categories and analyze the root causes of failures. In the second stage, the ground truth labels taken from the clustering technique are used to construct an automated inspection system using back propagation neural networks (BPNN). The proposed approach is applicable for detecting and identifying the causes of errors in manufacturing industry. This study applies a case study in nipper manufacture. The SCA-PFCM algorithm can detect 97 % of defects and classify them into four types while BPNN shows a predicted accuracy of up to 96 %. Additionally, an automated inspection system is developed to reduce the time and cost of the inspection process.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn