ترجمه فارسی مقاله مطالعه تطبیقی ​​مدل‌های بینایی کامپیوتری منبع باز برای کاربرد بر روی داده‌های کوچک: مورد نوارگذاری CFRP

چکیده

In the realm of industrial manufacturing, Artificial Intelligence (AI) is playing an increasing role, from automating existing processes to aiding in the development of new materials and techniques. However, a significant challenge arises in smaller, experimental processes characterized by limited training data availability, questioning the possibility to train AI models in such small data contexts. In this work, we explore the potential of Transfer Learning to address this challenge, specifically investigating the minimum amount of data required to develop a functional AI model. For this purpose, we consider the use case of quality control of Carbon Fiber Reinforced Polymer (CFRP) tape laying in aerospace manufacturing using optical sensors. We investigate the behavior of different open-source computer vision models with a continuous reduction of the training data. Our results show that the amount of data required to successfully train an AI model can be drastically reduced, and the use of smaller models does not necessarily lead to a loss of performance.

چکیده به فارسی (ترجمه ماشینی)

در قلمرو تولید صنعتی ، هوش مصنوعی (AI) نقش فزاینده ای دارد ، از اتوماسیون فرایندهای موجود تا کمک به توسعه مواد و تکنیک های جدید.با این حال ، یک چالش مهم در فرآیندهای تجربی کوچکتر که با در دسترس بودن داده های آموزش محدود مشخص می شوند ، ایجاد می شود و امکان آموزش مدل های AI در چنین زمینه های کوچک داده را زیر سوال می برد.در این کار ، ما پتانسیل یادگیری انتقال را برای پرداختن به این چالش بررسی می کنیم ، به طور خاص بررسی حداقل مقدار داده های مورد نیاز برای تهیه یک مدل AI عملکردی.برای این منظور ، ما مورد استفاده در کنترل کیفیت نوار پلیمر تقویت شده با فیبر کربن (CFRP) را در ساخت هوافضا با استفاده از سنسورهای نوری در نظر می گیریم.ما رفتار مدل های مختلف دید رایانه ای منبع باز را با کاهش مداوم داده های آموزش بررسی می کنیم.نتایج ما نشان می دهد که میزان داده های مورد نیاز برای آموزش موفقیت آمیز یک مدل هوش مصنوعی می تواند به شدت کاهش یابد و استفاده از مدل های کوچکتر لزوماً منجر به از بین رفتن عملکرد نمی شود.