Fugu-MT 論文翻訳(概要): In-situ Anomaly Detection in Additive Manufacturing with Graph Neural Networks

論文の概要: In-situ Anomaly Detection in Additive Manufacturing with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2305.02695v1
Date: Thu, 4 May 2023 10:10:33 GMT
ステータス: 処理完了
システム内更新日: 2023-05-05 16:12:00.878318
Title: In-situ Anomaly Detection in Additive Manufacturing with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた添加物製造におけるその場異常検出
Authors: Sebastian Larsen and Paul A. Hooper
Abstract要約: モデルはレーザー入力情報に基づいてトレーニングされ、名目上のレーザー融解条件を予測する。そして、予測値と新しい観測値との差を取り、異常スコアを算出する。このモデルは、既知の欠陥のあるデータセット上で評価され、F1スコアは0.821である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transforming a design into a high-quality product is a challenge in metal additive manufacturing due to rare events which can cause defects to form. Detecting these events in-situ could, however, reduce inspection costs, enable corrective action, and is the first step towards a future of tailored material properties. In this study a model is trained on laser input information to predict nominal laser melting conditions. An anomaly score is then calculated by taking the difference between the predictions and new observations. The model is evaluated on a dataset with known defects achieving an F1 score of 0.821. This study shows that anomaly detection methods are an important tool in developing robust defect detection methods.
Abstract（参考訳）: 高品質な製品にデザインを変換することは、金属添加物の製造において、欠陥を生じさせる稀な出来事による課題である。しかし、これらの事象をその場で検出することは、検査コストを削減し、是正措置を可能にし、調整された材料特性の将来に向けた第一歩となる。本研究では, レーザー入力情報を用いて, レーザー融解条件の予測を行う。そして、予測値と新たな観測値の差を利用して異常スコアを算出する。このモデルは、既知の欠陥のあるデータセット上で評価され、F1スコアは0.821である。本研究は,ロバストな欠陥検出法を開発する上で,異常検出法が重要なツールであることを示す。

関連論文リスト

Scalable AI Framework for Defect Detection in Metal Additive Manufacturing [2.303463009749888]
我々は、畳み込みニューラルネットワーク(CNN)を利用してプリント層の熱画像を分析し、これらの特性に影響を与える異常を自動的に識別する。我々はこれらのモデルをCLoud ADditive Manufacturing (CLADMA)モジュールに統合し、AMアプリケーションのアクセシビリティと実用性を向上させる。
論文参考訳（メタデータ） (2024-11-01T18:17:59Z)
An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection [0.11184789007828977]
本研究は,半導体欠陥検査におけるタスクに依存しないメタラーニング手法を提案する。新しい欠陥クラスとスケールの漸進的な追加を可能にし、より堅牢で一般化されたモデルを作成する。我々は、ADIとAEIの2つのプロセスステップに対して、実際のレジストウェハSEM(Scanning Electron Microscopy)データセットを用いて、我々のアプローチをベンチマークした。
論文参考訳（メタデータ） (2024-07-17T16:41:22Z)
Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling [0.0]
本研究では,小型ネットワーク用に特別に設計されたYou Only Look Once (YOLOv5)に基づくリアルタイム金属表面欠陥検出モデルを提案する。実験結果から,改良されたモデルでは,精度と検出時間において,他のモデルよりも優れた性能が得られた。
論文参考訳（メタデータ） (2024-06-19T08:08:49Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
電力系統の信頼性を確保するためには絶縁体の検査が重要である。検査プロセスを自動化するために、ディープラーニングがますます活用されています。本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
論文参考訳（メタデータ） (2023-11-14T11:36:20Z)
CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文参考訳（メタデータ） (2023-09-22T06:12:02Z)
Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文参考訳（メタデータ） (2022-11-01T13:58:02Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Anomaly detection and automatic labeling for solar cell quality inspection based on Generative Adversarial Network [0.0]
太陽電池の欠陥検出のための検査システムを開発するパイプラインを提案する。第1段階では、異常検出のために医療領域で使用されているGAN(Generative Adversarial Network)が検査に適応される。不良サンプルが発生すると、訓練されたモデルで自動的にピクセルレベルでラベル付けされ、第2モデルの監督トレーニングに使用されます。
論文参考訳（メタデータ） (2021-03-05T07:53:59Z)
Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文参考訳（メタデータ） (2020-06-13T17:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。