umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Efficient surface finish defect detection using reduced rank spline smoothers
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
Volvo Group Trucks Operations.
Visa övriga samt affilieringar
2019 (Engelska)Ingår i: CRoNoS & MDA 2019, 2019Konferensbidrag, Muntlig presentation med publicerat abstract (Refereegranskat)
Abstract [en]

One of the primary concerns of product quality control in the automotive industry is an automated detection of defects of small sizes on specular car body surfaces. A new statistical learning approach is presented for surface finish defect detection based on spline smoothing method for feature extraction and k-nearest neighbor probabilistic classifier. Rather than analyzing the natural images of the car body surfaces, the deflectometry technique is applied for image acquisition. Reduced rank cubic regression splines are used to smooth the pixel values while the effective degrees of freedom of the obtained smooths serve as components of the feature vector. A key advantage of the approach is that it allows us to reach near zero misclassification error when applying standard learning classifiers. We also propose the probability based performance evaluation metrics as alternatives to the conventional metrics. The usage of those provides the means for uncertainty estimation of the predictive performance of a classifier. Experimental classification results on the images obtained from the pilot system located at Volvo cab plant in Umea, Sweden, show that the proposed approach is much more efficient than compared methods.

Ort, förlag, år, upplaga, sidor
2019.
Nationell ämneskategori
Sannolikhetsteori och statistik Signalbehandling
Forskningsämne
matematisk statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-158014OAI: oai:DiVA.org:umu-158014DiVA, id: diva2:1303629
Konferens
CRoNoS & MDA2019, Cyprus, April 14-16, 2019
Projekt
FIQA
Forskningsfinansiär
Vinnova, 2015-03706Tillgänglig från: 2019-04-10 Skapad: 2019-04-10 Senast uppdaterad: 2019-04-16Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

http://cmstatistics.org/CRONOSMDA2019/docs/BoA_CRONOSMDA2019.pdf?20190324031000http://cmstatistics.org/CRONOSMDA2019/

Personposter BETA

Pya Arnqvist, NatalyaNgendangenzwa, BlaiseNilsson, LeifYu, Jun

Sök vidare i DiVA

Av författaren/redaktören
Pya Arnqvist, NatalyaNgendangenzwa, BlaiseNilsson, LeifYu, Jun
Av organisationen
Institutionen för matematik och matematisk statistik
Sannolikhetsteori och statistikSignalbehandling

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 154 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf