Deep Learning Based Baynat Foam Classi cation for Headliners Manufacturing

Este trabajo muestra el rendimiento de cuatro algoritmos de aprendizaje profundo en la clasificación de espuma Baynat (Resnet, mobilenet, inceptionv3 y Xception). Uno de los componentes clave en la fabricación de encabezados es la espuma. Proporciona aislamiento acústico, ligereza y robustez. Junto con la espuma, se agregan otros componentes como tejidos textiles y componentes de fibra. Dependiendo de la distribución del tamaño de las celdas de espuma, se determina la cantidad adecuada de pegamento a utilizar. Este trabajo presenta algoritmos de IA en la clasificación de espuma. Los experimentos se llevan a cabo utilizando un conjunto de datos de 3000 imágenes de espuma obtenidas de un solo bloque.

This paper shows the performance of four deep learning algorithms on Baynat foam classification (Resnet, mobilenet, inceptionv3 and Xception). One of the key components on headliner manufacturing is the foam. It provides acoustic isolation, lightness and robustness. Together with foam, other components are added such as textile fabrics and ber components. Depending on the foam cell-size distribution, right amount of glue to be used is determined correspondingly. This paper introduces AI algorithms on foam classi cation. The experiments are carried out using a dataset of 3000 images of foam obtained from a single bloc