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
Efficient surface finish defect detection using reduced rank spline smoothers and probabilistic classifiers
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.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
Visa övriga samt affilieringar
2021 (Engelska)Ingår i: Econometrics and Statistics, ISSN 2452-3062, Vol. 18, s. 89-105Artikel i tidskrift (Refereegranskat) Published
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 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 rate when applying standard learning classifiers. In addition, probability based performance evaluation metrics have been proposed 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
Elsevier, 2021. Vol. 18, s. 89-105
Nyckelord [en]
classification, defect detection, smoothing, EDF, probabilistic k-NN classifier
Nationell ämneskategori
Sannolikhetsteori och statistik Signalbehandling Bearbetnings-, yt- och fogningsteknik
Forskningsämne
matematisk statistik; reglerteknik; signalbehandling
Identifikatorer
URN: urn:nbn:se:umu:diva-172268DOI: 10.1016/j.ecosta.2020.05.005ISI: 000636803000008Scopus ID: 2-s2.0-85087319488OAI: oai:DiVA.org:umu-172268DiVA, id: diva2:1442443
Projekt
FIQA
Forskningsfinansiär
Vinnova, 2015-03706Tillgänglig från: 2020-06-17 Skapad: 2020-06-17 Senast uppdaterad: 2022-09-30Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Person

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
I samma tidskrift
Econometrics and Statistics
Sannolikhetsteori och statistikSignalbehandlingBearbetnings-, yt- och fogningsteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 512 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