Umeå universitets logga

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
Effective degrees of freedom for surface finish defect detection and classification
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)Manuskript (preprint) (Övrigt vetenskapligt)
Abstract [en]

One of the primary concerns of product quality control in the automotive industry is anautomated 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 neighbour probabilistic classifier. Since the surfaces are specular, structured lightning reflection 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 reaching near zero misclassification error ratewhen applying standard learning classifiers. We also propose 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 GTO Cab plant in Umeå, Sweden, show that the proposed approach is much more efficient than the compared methods.

Ort, förlag, år, upplaga, sidor
2019. , s. 17
Nyckelord [en]
classification, defect detection, smoothing, EDF, probabilistic k-NN classifier
Nationell ämneskategori
Sannolikhetsteori och statistik Signalbehandling Bearbetnings-, yt- och fogningsteknik
Forskningsämne
matematisk statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-161257OAI: oai:DiVA.org:umu-161257DiVA, id: diva2:1333265
Projekt
FIQA
Forskningsfinansiär
Vinnova, 2015-03706Tillgänglig från: 2019-07-01 Skapad: 2019-07-01 Senast uppdaterad: 2019-07-02

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

arXiv:1906.11904

Sök vidare i DiVA

Av författaren/redaktören
Pya Arnqvist, NatalyaNilsson, LeifYu, Jun
Av organisationen
Institutionen för matematik och matematisk statistik
Sannolikhetsteori och statistikSignalbehandlingBearbetnings-, yt- och fogningsteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 348 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