Dynamic Bayesian network-based anomaly detection for in-process visual inspection of laser surface heat treatment

Ogbechie Condes, Alberto; Díaz Rozo, Javier; Larrañaga Múgica, Pedro María y Bielza Lozoya, María Concepción (2016). Dynamic Bayesian network-based anomaly detection for in-process visual inspection of laser surface heat treatment. En: "international Conference ML4CPS – Machine Learning for Cyber Physical Systems", 29 Sep 2016, Karlsruhe, Alemania. ISBN 978-3-662-53806-7. pp. 1-10. https://doi.org/10.1007/978-3-662-53806-7_3.

Descripción

Título: Dynamic Bayesian network-based anomaly detection for in-process visual inspection of laser surface heat treatment
Autor/es:
  • Ogbechie Condes, Alberto
  • Díaz Rozo, Javier
  • Larrañaga Múgica, Pedro María
  • Bielza Lozoya, María Concepción
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: international Conference ML4CPS – Machine Learning for Cyber Physical Systems
Fechas del Evento: 29 Sep 2016
Lugar del Evento: Karlsruhe, Alemania
Título del Libro: Machine Learning for Cyber Physical Systems
Fecha: 2016
ISBN: 978-3-662-53806-7
Volumen: 1
Materias:
Palabras Clave Informales: Dynamic Bayesian network; Anomaly detection; Laser heat treatment; Visual inspection; Cyber-physical system
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Inteligencia Artificial
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (765kB) | Vista Previa

Resumen

We present the application of a cyber-physical system for inprocess quality control based on the visual inspection of a laser surface heat treatment process. To do this, we propose a classification framework that detects anomalies in recorded video sequences that have been preprocessed using a clustering-based method for feature subset selection. One peculiarity of the classification task is that there are no examples with errors, since major irregularities seldom occur in efficient industrial processes. Additionally, the parts to be processed are expensive so the sample size is small. The proposed framework uses anomaly detection, cross-validation and sampling techniques to deal with these issues. Regarding anomaly detection, dynamic Bayesian networks (DBNs) are used to represent the temporal characteristics of the normal process. Experiments are conducted with two diferent types of DBN structure learning algorithms, and classification performance is assessed on both anomalyfree examples and sequences with anomalies simulated by experts.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Gobierno de EspañaTIC-20150093-PSin especificarUniversidad Politécnica de MadridSin especificar
Comunidad de MadridS2013/ICE-2845CASI - CAMUniversidad Politécnica de MadridConceptos y Aplicaciones de los Sistemas Inteligentes

Más información

ID de Registro: 46652
Identificador DC: http://oa.upm.es/46652/
Identificador OAI: oai:oa.upm.es:46652
Identificador DOI: 10.1007/978-3-662-53806-7_3
URL Oficial: http://www.springer.com/de/book/9783662538050
Depositado por: Memoria Investigacion
Depositado el: 07 Nov 2017 13:42
Ultima Modificación: 07 Nov 2017 13:42
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM