Advanced characterisation of surface appearance / Nigel Rose in POLYMERS PAINT COLOUR JOURNAL - PPCJ, Vol. 203, N° 4582 (03/2013)  

[article]  inPOLYMERS PAINT COLOUR JOURNAL - PPCJ > Vol. 203, N° 4582 (03/2013) . - p. 15-18 Titre : Advanced characterisation of surface appearance Type de document : texte imprimé Auteurs : Nigel Rose, Auteur Année de publication : 2013 Article en page(s) : p. 15-18 Langues : Anglais (eng) Catégories : Caractérisation Couches minces -- Défauts Déflectométrie Détection de défauts (Ingénierie) Marines (peinture) Qualité -- Contrôle Revêtements antisalissures:Peinture antisalissures Surfaces -- Analyse Index. décimale : 667.9 Revêtements et enduits Résumé : Use of phase stepped deflectometry, a measurement technique to assess surface quality defects. Note de contenu : - Painted surfaces - Limitations of current technology - New measuring technology - Optimap PSD - Curvature - Defect characterisation En ligne : https://drive.google.com/file/d/1GPV4HpImABo6s5mmisYOtL7QvppPUWVa/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=17983 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
14891	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Analysing the output data of Eddy current sensors using artificial intelligence for quality assurance of carbon fibres / Lukas Lechthaler in JEC COMPOSITES MAGAZINE, N° 141 (07-08/2021)

[article]  inJEC COMPOSITES MAGAZINE > N° 141 (07-08/2021) . - p. 51-53 Titre : Analysing the output data of Eddy current sensors using artificial intelligence for quality assurance of carbon fibres Type de document : texte imprimé Auteurs : Lukas Lechthaler, Auteur ; Julien Pilon, Auteur ; Richard Kupke, Auteur ; Dirk Feltin, Auteur ; Pawel Latasiewicz, Auteur ; Christine Stamm, Auteur Année de publication : 2021 Article en page(s) : p. 51-53 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse des données Assurance qualité Capteurs (technologie) Courants de Foucault On appelle courants de Foucault les courants électriques créés dans une masse conductrice, soit par la variation au cours du temps d'un champ magnétique extérieur traversant ce milieu (le flux du champ à travers le milieu), soit par un déplacement de cette masse dans un champ magnétique. Ils sont une conséquence de l'induction électromagnétique. Détection de défauts (Ingénierie) Fibres de carbone Intelligence artificielle Index. décimale : 668.4 Plastiques, vinyles Résumé : The rise of carbon fibre reinforced plastics throughout its fields of application has given place to numerous innovations in its production process. Eddy current sensors for quality assurance of carbon fibre rovings are one such innovation. These sensors could allow the non-destructive analysis of carbon fibres without disrupting the production flow. This project aims to analyse the output data from eddy current sensors using machine learning algorithms to identify possible defects in carbon fibres. Note de contenu : - Fig. 1 : Example deviation of the complex impedance when a defect is present on the carbon fibre roving - Fig. 2 : Schematic diagram of the RWTH Aachen University Insitute of Textiletechnik experimental setup used ot test the eddy current sensor on a laboratory scale - Fig. 3 : The five damage grades used on the damaging module of the experimental setup at the Institut of Textiletechnik - Fig. 4 : Measurement results from the eddy current sensor for the HTS 40 F13 carbon fibre roving from Teijin Carbon Fibre Europe GmbH - Fig. 5 : Dendrogram of the data measured with the eddy current sensor for the HTS 40 F13 carbon fibre roving from Teijin Carbon Fibre Europe GmbH - Fig. 6 : Dendrogram of the data measured with the eddy current sensor for the HTS 40 F13 carbon fibre roving from Teijin Carbon Fibre Europe GmbH Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=37185 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
22837	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Artificial intelligence for paint shops in INTERNATIONAL SURFACE TECHNOLOGY (IST), Vol. 13, N° 4 (2020)

[article]  inINTERNATIONAL SURFACE TECHNOLOGY (IST) > Vol. 13, N° 4 (2020) . - p. 12-13 Titre : Artificial intelligence for paint shops Type de document : texte imprimé Année de publication : 2020 Article en page(s) : p. 12-13 Langues : Anglais (eng) Catégories : Ateliers de peinture industrielle Automobiles -- Revêtements:Automobiles -- Peinture Détection de défauts (Ingénierie) Intelligence artificielle Maintenance prévisionnelle La maintenance prévisionnelle (aussi appelée "maintenance prédictive" par calque de l'anglais "predictive maintenance", ou encore "maintenance anticipée") est une maintenance conditionnelle basée sur le franchissement d’un seuil prédéfini qui permet de donner l'état de dégradation du bien avant sa détérioration complète. La maintenance prévisionnelle est, selon la norme NF EN 13306 X 60-319, une "maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l'analyse et de l'évaluation de paramètres significatifs de la dégradation du bien". Son principe est le suivant : tout élément manifeste des signes, visibles ou non, de dégradation qui en annoncent la défaillance. Le tout est de savoir reconnaître ces signes précurseurs. Des appareils permettent de mesurer cette dégradation, laquelle peut être une variation de température, de vibration, de pression, de dimension, de position, de bruit, etc. Ces dégradations peuvent donc être d’ordre physique, chimique, comportemental, électrique ou autre. Le but de cette maintenance est d’agir sur l’élément défaillant au plus près de sa période de dysfonctionnement. Elle permet aussi de suivre une dégradation dans le cas d’une durée de vie variable d’un élément. Toutes ces actions permettent donc de réduire la fréquence des pannes tout en optimisant la fréquence des interventions préventives. La maintenance prévisionnelle a la particularité d’être facile à suivre mais est plus complexe à mettre en place. Index. décimale : 667.9 Revêtements et enduits Résumé : A new artificial intelligence applicationfor paint shops identifies the sources of defects and specifies ideal maintenance schedules. The first practical applications show that the software incrases plant availability and improves the surface finish of the painted vehicle bodies. Note de contenu : - Al application with its own memory - Predictive maintenance reduces downtimes - Machine learning simulates continuous temperature curves - Higher first-run rate increases the overall efficiency of the paint shop - Interdisciplinary expertise required - Fig. 1 : The new Al application identifies the sources of defects and specifies ideal maintenance schedules - Fig. 2 : Using artificial intelligence, systematic defects in the painting process can be tracked down and the overall effectiveness of the plant can be increased Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=35780 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
22403	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Artificial Intelligence in hair research : A proof-of-concept study on evaluating hair assembly features / Gabriela Daniels in INTERNATIONAL JOURNAL OF COSMETIC SCIENCE, Vol. 43, N° 4 (08/2021)  

[article]  inINTERNATIONAL JOURNAL OF COSMETIC SCIENCE > Vol. 43, N° 4 (08/2021) . - p. 405-418 Titre : Artificial Intelligence in hair research : A proof-of-concept study on evaluating hair assembly features Type de document : document électronique Auteurs : Gabriela Daniels, Auteur ; Slobodanka Tamburic, Auteur ; Sergio Benini, Auteur ; Jane Randall, Auteur ; Tracey Sanderson, Auteur ; Mattia Savardi, Auteur Année de publication : 2021 Article en page(s) : p. 405-418 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse sensorielle Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Cheveux -- analyse Cheveux décolorés Détection de défauts (Ingénierie) Intelligence artificielle Index. décimale : 668.5 Parfums et cosmétiques Résumé : - Objective : The first objective of this study was to apply computer vision and machine learning techniques to quantify the effects of haircare treatments on hair assembly and to identify correctly whether unknown tresses were treated or not. The second objective was to explore and compare the performance of human assessment with that obtained from artificial intelligence (AI) algorithms. - Methods : Machine learning was applied to a data set of hair tress images (virgin and bleached), both untreated and treated with a shampoo and conditioner set, aimed at increasing hair volume whilst improving alignment and reducing the flyway of the hair. The automatic quantification of the following hair image features was conducted : local and global hair volumes and hair alignment. These features were assessed at three time points: t0 (no treatment), t1 (two treatments) and t2 (three treatments). Classifier tests were applied to test the accuracy of the machine learning. A sensory test (paired comparison of t0 vs t2) and an online front image-based survey (paired comparison of t0 vs t1, t1 vs t2, t0 vs t2) were conducted to compare human assessment with that of the algorithms. - Results : The automatic image analysis identified changes to hair volume and alignment which enabled the successful application of the classification tests, especially when the hair images were grouped into untreated and treated groups. The human assessment of hair presented in pairs confirmed the automatic image analysis. The image assessment for both virgin hair and bleached only partially agreed with the analysis of the subset of images used in the online survey. One hypothesis is that treatments changed somewhat the shape of the hair tress, with the effect being more pronounced in bleached hair. This made human assessment of flat images more challenging than when viewed directly in 3D. Overall, the bleached hair exhibited effects of higher magnitude than the virgin hair. - Conclusions : This study illustrated the capacity of artificial intelligence for hair image detection and classification, and for image analysis of hair assembly features following treatments. The human assessment partially confirmed the image analysis and highlighted the challenges imposed by the presentation mode. Note de contenu : - Hair assembly volume, alignment and flyaway - Hair assembly properties and Artificial Intelligence - MATERIALS AND METHODS : Hair tresses and treatment - Image dataset - Automatic hair segmentation - Automatic quantification of hair assembly features - Timepoint recognition on single hair images with AI - Online paired image-comparison test with naïve assessors (n = 100) - Paired difference test with naïve assessors )n = 50) - Statistical analysis - RESULTS : Hair volume analysis - Fibre alignment analysis - Machine learning: treatment order test - Machine learning : timepoint recognition - Online paired image-comparison test : image analysis - Online paired image-comparison test : human assessment - Visual paired difference test - DISCUSSION : Image data analysis and machine learning - Classifiers tests - The online survey and AI - Visual paired difference test - Table 1 : Global and local hair volumes for the three time points of the training data set - Table 2 : Fibre alignment indices for three time points of the training data set - Table 3 : Confusion matrices. Correct results in bold - Table 4 : Results of the online paired image-comparison test - Table 5 : Fibre alignment indices for the selected image subset used in the online survey, based on three images for each tress - Table 6 : Results of the online paired image-comparison test - Table 7 : Volume and hair straightness comparisons between the different time points reported in the survey (Table 6) and their agreement with AI-generated GHV - Table 8 : Results of the visual paired difference test (n = 50 responses) DOI : https://doi.org/10.1111/ics.12706 En ligne : https://drive.google.com/file/d/1RnhXaRtILFJxcQM1zyk09SH7pQcXM1Mh/view?usp=shari [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=36675 [article]

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire

Attention-based vector quantisation variational autoencoder for colour-patterned fabrics defect detection / Hongwei Zhang in COLORATION TECHNOLOGY, Vol. 139, N° 3 (06/2023)  

[article]  inCOLORATION TECHNOLOGY > Vol. 139, N° 3 (06/2023) . - p. 223-238 Titre : Attention-based vector quantisation variational autoencoder for colour-patterned fabrics defect detection Type de document : texte imprimé Auteurs : Hongwei Zhang, Auteur ; Guanhua Qiao, Auteur ; Shuting Liu, Auteur ; Yuting Lyu, Auteur ; Le Yao, Auteur ; Zhiqiang Ge, Auteur Année de publication : 2023 Article en page(s) : p. 223-238 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Auto-encodeurs variationnels En apprentissage automatique, un auto-encodeur variationnel (ou VAE de l'anglais variational auto encoder), est une architecture de réseau de neurones artificiels introduite en 2013 par D. Kingma et M. Welling, appartenant aux familles des modèles graphiques probabilistes et des méthodes bayésiennes variationnelles. Les VAE sont souvent rapprochés des autoencodeurs en raison de leur architectures similaires. Leur utilisation et leur formulation mathématiques sont cependant différentes. Les auto-encodeurs variationnels permettent de formuler un problème d'inférence statistique (par exemple, déduire la valeur d'une variable aléatoire à partir d'une autre variable aléatoire) en un problème d'optimisation statistique (c'est-à-dire trouver les valeurs de paramètres qui minimisent une fonction objectif). Ils représentent une fonction associant à une valeur d'entrée une distribution latente multivariée, qui n'est pas directement observée mais déduite depuis un modèle mathématique à partir de la distribution d'autres variables. Bien que ce type de modèle ait été initialement conçu pour l'apprentissage non supervisé, son efficacité a été prouvée pour l'apprentissage semi-supervisé et l'apprentissage supervisé. (Wikipedia) Détection de défauts (Ingénierie) Textiles et tissus -- Défauts Index. décimale : 667.3 Teinture et impression des tissus Résumé : Defect detection is an essential link in the fabric production process. Due to the diversity of patterns and scarcity of defect samples for colour-patterned fabrics, reconstruction-based unsupervised deep learning algorithms have received extensive attention in the field of fabric defect detection. Among them, unsupervised reconstruction models based on variational autoencoders (VAEs) have been shown to be effective. However, there is a problem of posterior collapse in the process of modelling parametric distributions of continuous variables by VAEs. Therefore, VAE-based defect detection methods for colour-patterned fabrics usually produce ambiguous reconstruction results, thereby affecting the defect detection performance. In this article, an attention-based vector quantisation variational autoencoder (AVQ-VAE) is proposed for colour-patterned fabric defect detection. The method adopts autoregressive modelling of discrete variables to avoid the posterior collapse problem of traditional VAEs, and utilises attention mechanism to enhance the feature representation ability of the model. AVQ-VAE consists of encoder, embedding space, decoder and attention mechanism. The encoder is used to map the input image into multiple feature vectors. Vector quantisation in embedding space is used for discretisation and autoregressive modelling of feature vectors. A decoder is used to decode discrete variables into images of the same size as the original input. Furthermore, an attention mechanism is used to capture channel and spatial correlations, which help the model focus on important information by adaptively recalibrating feature maps. Experimental results on public datasets demonstrate that the proposed method is robust and effective for colour-patterned fabric defect detection. Note de contenu : - RELATED WORKS : Unsupervised deep learning based fabric defect detection - VAE-based model - Attention mechanism - THE PROPOSED AVQ-VAE METHOD : AVQ-VAE and training process - Colour-patterned fabric defect detection based on AVQ-VAE - EXPERIMENT : Experimental platform - Datasets - Parameter setting - Evaluation metrics - Defect detection results on dataset YDFID-1 - Defect detection results on anomaly detection dataset MVTec AD - Table 1 : Number of selected YDFID-1 patterns - Table 2 : Defect detection results of six models on colour-patterned fabrics - Table 3 : AUROC results for the three methodsTABLE 4. AUPRO results for the three methods DOI : https://doi.org/10.1111/cote.12644 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12644 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=39534 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24086	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Automated grading with Al and traceability / Neil Martin in INTERNATIONAL LEATHER MAKER (ILM), N° 49 (09-10/2021)  

Permalink

Automated path planning and thermographic monitoring for automated fibre placement / Carsten Schmidt in JEC COMPOSITES MAGAZINE, N° 104 (04-05/2016)

Permalink

Automatic fabric defect detection using a deep convolutional neural network / Jun-Feng Jing in COLORATION TECHNOLOGY, Vol. 135, N° 3 (06/2019)  

Permalink

Bonding control using single-shot terahertz pulses in JEC COMPOSITES MAGAZINE, N° 127 (03-04/2019)  

Permalink

Ces composites qui mesurent le vieillissement / Olivier Skawinski in PLASTIQUES & CAOUTCHOUCS MAGAZINE, N° 872 (12/2009)

Permalink

Colorimétrie à la continue sur machine de production / Patrick Fest in L'INDUSTRIE TEXTILE, N° 1347 (12/2002)  

Permalink

Colour-patterned fabric defect detection based on an unsupervised multi-scale U-shaped denoising convolutional autoencoder model / Hongwei Zhang in COLORATION TECHNOLOGY, Vol. 138, N° 5 (10/2022)  

Permalink

Colour-patterned fabric-defect detection using unsupervised and memorial defect-free features / Hongwei Zhang in COLORATION TECHNOLOGY, Vol. 138, N° 6 (12/2022)  

Permalink

Comparative study of different methods for the assessment of print nonuniformity and their correlation with the human visual system / Ivana Juric in COLORATION TECHNOLOGY, Vol. 140, N° 2 (04/2024)  

Permalink

A contrastive learning-based attention generative adversarial network for defect detection in colour-patterned fabric in COLORATION TECHNOLOGY, Vol. 139, N° 3 (06/2023)  

Permalink

Contrôle et analyse numérique / Tino Belleli in L'INDUSTRIE TEXTILE, N° 1328 (02/2001)

Permalink

Cost-effective, phase-based thermography method for ultrasonic investigation of defects in CFRP structure in SAMPE JOURNAL, Vol. 47, N° 6 (11-12/2011)

Permalink

A la croisée du visible et de l'infrarouge / Jean-Benoît Le Cam in PLASTIQUES & CAOUTCHOUCS MAGAZINE, N° 903 (06/2013)

Permalink

Damage and harmfulness of defects / Thomas Jollivet in JEC COMPOSITES MAGAZINE, N° 81 (05-06/2013)

Permalink

Deep learning and machine learning neural network approaches for multi class leather texture defect classification and segmentation / Praveen Kumar Moganam in JOURNAL OF LEATHER SCIENCE AND ENGINEERING, Vol. 4 (Année 2022)  

Permalink

---

1 2 3 4 (1 - 20 / 73) Par page : 25 50 Tout afficher