文献紹介:Deep Analysis of CNN-Based Spatio-Temporal Representations for Action Re...Toru Tamaki
Chun-Fu Richard Chen, Rameswar Panda, Kandan Ramakrishnan, Rogerio Feris, John Cohn, Aude Oliva, Quanfu Fan; Deep Analysis of CNN-Based Spatio-Temporal Representations for Action Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 6165-6175
https://openaccess.thecvf.com/content/CVPR2021/html/Chen_Deep_Analysis_of_CNN-Based_Spatio-Temporal_Representations_for_Action_Recognition_CVPR_2021_paper.html
文献紹介:Deep Analysis of CNN-Based Spatio-Temporal Representations for Action Re...Toru Tamaki
Chun-Fu Richard Chen, Rameswar Panda, Kandan Ramakrishnan, Rogerio Feris, John Cohn, Aude Oliva, Quanfu Fan; Deep Analysis of CNN-Based Spatio-Temporal Representations for Action Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 6165-6175
https://openaccess.thecvf.com/content/CVPR2021/html/Chen_Deep_Analysis_of_CNN-Based_Spatio-Temporal_Representations_for_Action_Recognition_CVPR_2021_paper.html
文献紹介:Gate-Shift Networks for Video Action RecognitionToru Tamaki
Swathikiran Sudhakaran, Sergio Escalera, Oswald Lanz; Gate-Shift Networks for Video Action Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 1102-1111
https://openaccess.thecvf.com/content_CVPR_2020/html/Sudhakaran_Gate-Shift_Networks_for_Video_Action_Recognition_CVPR_2020_paper.html
Scan Registration for Autonomous Mining Vehicles Using 3D-NDTKitsukawa Yuki
研究室のゼミの論文紹介の発表資料です。
Magnusson, M., Lilienthal, A. and Duckett, T. (2007), Scan registration for autonomous mining vehicles using 3D-NDT. J. Field Robotics, 24: 803–827. doi: 10.1002/rob.20204
文献紹介:2D or not 2D? Adaptive 3D Convolution Selection for Efficient Video Reco...Toru Tamaki
Hengduo Li, Zuxuan Wu, Abhinav Shrivastava, Larry S. Davis; 2D or not 2D? Adaptive 3D Convolution Selection for Efficient Video Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 6155-6164
https://openaccess.thecvf.com/content/CVPR2021/html/Li_2D_or_not_2D_Adaptive_3D_Convolution_Selection_for_Efficient_CVPR_2021_paper.html
文献紹介:Gate-Shift Networks for Video Action RecognitionToru Tamaki
Swathikiran Sudhakaran, Sergio Escalera, Oswald Lanz; Gate-Shift Networks for Video Action Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 1102-1111
https://openaccess.thecvf.com/content_CVPR_2020/html/Sudhakaran_Gate-Shift_Networks_for_Video_Action_Recognition_CVPR_2020_paper.html
Scan Registration for Autonomous Mining Vehicles Using 3D-NDTKitsukawa Yuki
研究室のゼミの論文紹介の発表資料です。
Magnusson, M., Lilienthal, A. and Duckett, T. (2007), Scan registration for autonomous mining vehicles using 3D-NDT. J. Field Robotics, 24: 803–827. doi: 10.1002/rob.20204
文献紹介:2D or not 2D? Adaptive 3D Convolution Selection for Efficient Video Reco...Toru Tamaki
Hengduo Li, Zuxuan Wu, Abhinav Shrivastava, Larry S. Davis; 2D or not 2D? Adaptive 3D Convolution Selection for Efficient Video Recognition, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 6155-6164
https://openaccess.thecvf.com/content/CVPR2021/html/Li_2D_or_not_2D_Adaptive_3D_Convolution_Selection_for_Efficient_CVPR_2021_paper.html
3. DOSHISHA Univ. Manufacturing System and Design Lab.
複雑化してきているプリント基板の穴あけ加工において
優れた加工条件の設定,そして加工条件決定ための
システムの設定が必要である
背景-加工条件の設定-
加工穴の高密度化,小径化,多層化により加工条件の設定は難化している
穴あけ加工においての生産性(Speed and Quality)
工具の長寿命化,良質な加工穴品質
課題
加工条件の決定は熟練技術者の知識や経験に頼ることが多い
4. DOSHISHA Univ. Manufacturing System and Design Lab.
目的
工具カタログに
データマイニング手法を適用
工具カタログは加工に関する
情報量が多く、良質なデータベース
切削条件決定式の導出を行い,その有効性を検討
データマイニング手法
とは膨大なデータ群から
価値ある情報を発掘する
データ解析手法
導出された加工条件とカタログ記載条件による結果を比較
(a)Data select
Data base
Target data
Preprocessed data
Result
New knowledge
Feed back loops
(b)Data cleansing
(b)Statistic analysis
(d)Interpretation
(カタログマイニングと称する)
5. DOSHISHA Univ. Manufacturing System and Design Lab.
カタログマイニング手法
K-means法
カタログより
データの抽出
変数クラスター分析
主成分回帰
応答曲面法
Data base
Target date
Preprocessed
data
Result
New knowledge
Feed back loops
(a) Data selection
(b) Data cleansing
(c) Statistic analysis
(d) Interpretation
K-means method
Response surface methodology
Principal component regression
Variable regression analysis
Tool catalog data
Catalog mining process
6. DOSHISHA Univ. Manufacturing System and Design Lab.
基板厚さ
Bt
説明変数
工具に関する説明変数
基板に関する説明変数
マイクロドリルでは,L,DSは業界で
規格化が進んでおり, 2種類に
以下のように統一されている
DS 3.175 mmの場合L 38.1 mm
DS 2.0 mmの場合はL 31.75 mm
銅箔層数 LN
ウェブ厚
tw
先端角
β ねじれ角
α
copper foil
GFRP
PCBs
7. DOSHISHA Univ. Manufacturing System and Design Lab.
カタログデータ
カタログ :国内最大手社A社
選択した工具:プリント基板用マイクロドリル
被削材 : FR-4基板(両面および4~10層以上)
工具カタログに記載
説明変数
NCプログラムに入力する値
目的変数
回転数 S
送り速度 F
重ね枚数 Sh
工具外形D,工具刃長l,
全長L,シャンク径Ds,
層数LN,ねじれ角α,
基板厚さBt,
先端角β,ウェブ厚tw
データベース
8. DOSHISHA Univ. Manufacturing System and Design Lab.
K-means法
クラスタ1 D 0.05~0.25 mm l 0.9~3.0 mm
クラスタ2 D 0.15~0.65 mm l 3.0~8.5 mm
クラスタ3 D 0.7~6.5 mm l 8.5~12 mm
0
0.5
1
1.5
2
2.5
0 20 40 60
D/Ds
L/l
Cluster 1
Cluster 2
Cluster 3
Cluster 3
Size:569
Cluster 2
Size:432
Cluster 1
Size:206
工具外径 D 0.05~6.5 mm
刃長 l 0.8 ~ 12 mm
形状特徴をもとに3クラスタに分類
9. DOSHISHA Univ. Manufacturing System and Design Lab.
D
tw
β
l
Bt
LN
Bt
-0.8 -0.4 0 0.4 0.8
D
tw
β
l
B
LN
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
D tw β l Sh B LN S
F
V
解析結果 -変数クラスター分析&主成分回帰-
変数クラスター分析 主成分回帰
D,tw,β,l
Bt
LN
説明変数間の相関の高い
三つのグループに分類
各グループより
目的変数と
相関の高い
説明変数を選択
D,Bt,LNが
選択される
Regression coefficient
Bt
切削条件決定式に用いる
11. DOSHISHA Univ. Manufacturing System and Design Lab.
実験装置
Spindle
Work piece
Dynamometer
圧電型2成分センサ
X
Y
Z
スピンドル回転数:20000~ 60000 rpm
(HS600,日本精密工作機械製)
立形マシニングセンタ
(森精機製作所製 Accumill 4000)
(9345A,KISTLER Co., Ltd.)
切削抵抗,ドリル摩耗,加工穴品質を比較
12. DOSHISHA Univ. Manufacturing System and Design Lab.
新品ドリル 加工後ドリル
0.1mm0.1mm
100 μm 100 μm
ドリル切れ刃逃げ面外周の
摩耗幅をドリル摩耗として評価W
ドリル摩耗評価方法
13. DOSHISHA Univ. Manufacturing System and Design Lab.
実験方法
マシニングセンタのテーブル上に
動力計を設置.
1~3000穴加工時の1000穴目ごとの
切削抵抗(スラスト力とトルク)
ドリル摩耗を測定する.
赤色波形:スラスト力
青色波形:トルク
最大スラスト力と最大トルクを
切削抵抗として評価
14. DOSHISHA Univ. Manufacturing System and Design Lab.
実験条件
使用工具
外径D 1.0 mm
刃長l 10 mm
全長L 38.1 mm
シャンク径Ds 3.175 mm
加工条件
加工試料
FR-4 基板厚さBt 1.6 mm
層数LN 8,2(両面)層
1.8 mm
1.0mm
Hole
Tool path ツールパス
Catalog Mining Catalog Mining
Work piece Double-sided 8 layers
Spindle speed S [krpm] 48 43 48 42
Feed rate F [m/min] 1.4 1.5 1.3 1.5
Chip load C [μm/rev] 30 38 30 39
Stack height Sh 4 4 4 4
3000穴加工
1.0mm
15. DOSHISHA Univ. Manufacturing System and Design Lab.
実験結果 -ドリル摩耗-
ドリル摩耗は8層基板,両面基板共にマイニング条件の方が低くなった.
(両面基板) (8層基板)
C
DBtShn
L
L:切削距離,n:穴数,Sh:基板重ね枚数,
D:工具外径, Bt:基板厚さ,C:チップロード
マイニング推奨条件ではチップロードがカタログ推奨条件より
大きいので切削距離も小さいくなり,摩耗量が小さくなった.
0
10
20
30
40
50
60
0 1000 2000 3000
Drillwear[μm]
Hole number
Mining condition
Catalog condition
0
10
20
30
40
50
60
0 1000 2000 3000
Drillwear[μm]
Hole number
Mining Condition
Catalog condition
20. DOSHISHA Univ. Manufacturing System and Design Lab.
実験結果 -ネイルヘッド-
b a
b a
b a
ネイルヘッド評価方法
100
a
b
N
GFRP
Copper foil
(a) Mining condition (b) Catalog condition
(3000th hole) (3000th hole)
N = 180 % N = 200 %
ネイルヘッドの
一般的な評価の目安
となる大きさは
150~200%とされている.
加工穴品質は向上しマイニング推奨条件は有効であったと言える
21. DOSHISHA Univ. Manufacturing System and Design Lab.
結言
・カタログマイニングを適用した結果,加工に有意
なパラメータとしてD,Bt,LNであることが分かった.
・導出した加工条件は詳細な条件決定を行うこと
ができる
・導出した加工条件で穴あけ加工を行うと,ドリル
摩耗,加工穴品質は向上した.
・カタログデータにデータマイニング手法を適用す
ることで導出した切削条件式有効であったと言える.
24. DOSHISHA Univ. Manufacturing System and Design Lab.
階層的手法:変数クラスタ分析
Ward method
pC
pqD
poD
koD
qoDkC
qC
oC
A
BE
C D
Tree diagram
B
E
C
A
D
ok
pqoqooqpoop
ko
mm
DmDmmDmm
D
222
2
新たに結合されるクラスター内
の平方和を最も小さくするという
基準でクラスターを形成していく
Dko
2 : 平方和の増加分
→Dk と Do の距離に相当
変数クラスタ分析
25. DOSHISHA Univ. Manufacturing System and Design Lab.
データマイニング
Quantity
Quality
Valuable new information
Data
?
?
?
?
New knowledge
Result
Preprocessed data
Target data
Data base/
Data warehouse Feed Back Loop
(d) Interpretation
(c) Statistic analysis
(b) Data cleansing
(a) Selection
有益なパターンやルールを含むデータベースに
蓄積された膨大なデータからノイズを取り除いて
価値ある情報を発掘する方法