論文の概要: TDIP: Tunable Deep Image Processing, a Real Time Melt Pool Monitoring Solution
- arxiv url: http://arxiv.org/abs/2403.18117v1
- Date: Tue, 26 Mar 2024 21:47:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 20:55:22.675845
- Title: TDIP: Tunable Deep Image Processing, a Real Time Melt Pool Monitoring Solution
- Title(参考訳): TDIP: リアルタイムメルトプールモニタリングソリューションTunable Deep Image Processing
- Authors: Javid Akhavan, Youmna Mahmoud, Ke Xu, Jiaqi Lyu, Souran Manoochehri,
- Abstract要約: 製造プロセス中のメルトプール(MP)シグネチャには、プロセスのダイナミクスと品質に関する重要な情報が含まれている。
この情報を得るために、高速カメラベースの視覚モジュールのような様々な感覚的アプローチがオンライン製造監視に用いられている。
本稿では,Tunable Deep Image Processing (TDIP) 方式の実装を提案する。
- 参考スコア(独自算出の注目度): 3.7654908672182072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the era of Industry 4.0, Additive Manufacturing (AM), particularly metal AM, has emerged as a significant contributor due to its innovative and cost-effective approach to fabricate highly intricate geometries. Despite its potential, this industry still lacks real-time capable process monitoring algorithms. Recent advancements in this field suggest that Melt Pool (MP) signatures during the fabrication process contain crucial information about process dynamics and quality. To obtain this information, various sensory approaches, such as high-speed cameras-based vision modules are employed for online fabrication monitoring. However, many conventional in-depth analyses still cannot process all the recorded data simultaneously. Although conventional Image Processing (ImP) solutions provide a targeted tunable approach, they pose a trade-off between convergence certainty and convergence speed. As a result, conventional methods are not suitable for a dynamically changing application like MP monitoring. Therefore, this article proposes the implementation of a Tunable Deep Image Processing (TDIP) method to address the data-rich monitoring needs in real-time. The proposed model is first trained to replicate an ImP algorithm with tunable features and methodology. The TDIP model is then further improved to account for MP geometries and fabrication quality based on the vision input and process parameters. The TDIP model achieved over 94% estimation accuracy with more than 96% R2 score for quality, geometry, and MP signature estimation and isolation. The TDIP model can process 500 images per second, while conventional methods taking a few minutes per image. This significant processing time reduction enables the integration of vision-based monitoring in real-time for processes and quality estimation.
- Abstract(参考訳): 産業4.0の時代には、特に金属AM(Additive Manufacturing)が、高度に複雑な地形を製作する革新的で費用対効果の高いアプローチによって、重要な貢献者となった。
その可能性にもかかわらず、この業界は依然としてリアルタイムなプロセス監視アルゴリズムを欠いている。
この分野での最近の進歩は、製造過程でのメルトプール(MP)シグネチャには、プロセスのダイナミクスや品質に関する重要な情報が含まれていることを示唆している。
この情報を得るために、高速カメラベースの視覚モジュールのような様々な感覚的アプローチがオンライン製造監視に用いられている。
しかし、多くの従来の深度分析では、記録された全てのデータを同時に処理することはできない。
従来の画像処理(ImP)ソリューションは、ターゲットとなる調整可能なアプローチを提供するが、収束確実性と収束速度の間にはトレードオフがある。
その結果、従来の手法はMPモニタリングのような動的に変化するアプリケーションには適していない。
そこで本稿では,Tunable Deep Image Processing (TDIP) 方式の実装を提案する。
提案モデルは、まず、調整可能な特徴と方法論を持つImPアルゴリズムを再現するように訓練されている。
TDIPモデルはさらに改良され、視覚入力とプロセスパラメータに基づくMPジオメトリと製造品質が考慮される。
TDIPモデルは、品質、幾何学、MPシグネチャの推定と分離のために、96%以上のR2スコアで94%以上の推定精度を達成した。
TDIPモデルは毎秒500枚の画像を処理でき、従来の方法では1枚の画像に数分かかる。
この大幅な処理時間の短縮により、プロセスと品質評価のリアルタイムなビジョンベースの監視の統合が可能になる。
関連論文リスト
- Accelerating Diffusion Sampling with Optimized Time Steps [72.68277419028955]
拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。
彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。
DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
論文 参考訳(メタデータ) (2024-02-27T10:13:30Z) - Image Inpainting via Tractable Steering of Diffusion Models [54.13818673257381]
本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。
具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。
提案手法は, 画像の全体的な品質とセマンティックコヒーレンスを, 計算オーバーヘッドを10%加えるだけで一貫的に改善できることを示す。
論文 参考訳(メタデータ) (2023-11-28T21:14:02Z) - Tool Wear Segmentation in Blanking Processes with Fully Convolutional
Networks based Digital Image Processing [0.0]
本稿では,600spmのツールの高解像度画像を,セマンティックセグメンテーション深層学習アルゴリズムを用いてキャプチャし,処理する方法を示す。
125,000枚のツールの画像が連続するストロークから撮影され、顕微鏡画像が観察され、摩耗面を観察する。
論文 参考訳(メタデータ) (2023-10-06T11:40:16Z) - Pixel-Inconsistency Modeling for Image Manipulation Localization [63.54342601757723]
デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。
本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。
実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
論文 参考訳(メタデータ) (2023-09-30T02:54:51Z) - MLOps for Scarce Image Data: A Use Case in Microscopic Image Analysis [1.0985060632689176]
本稿では, バイオメディカル画像解析を改良する新たな総合的アプローチを提案する。
これには、最高のモデル、データセット、モデル開発戦略を選択するためのフィンガープリントプロセスが含まれている。
予備的な結果を得るために、顕微鏡画像データセットにおける指紋認証の概念実証を行う。
論文 参考訳(メタデータ) (2023-09-27T09:39:45Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳(メタデータ) (2023-05-26T07:35:49Z) - Read Pointer Meters in complex environments based on a Human-like
Alignment and Recognition Algorithm [16.823681016882315]
これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。
STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。
VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
論文 参考訳(メタデータ) (2023-02-28T05:37:04Z) - GDIP: Gated Differentiable Image Processing for Object-Detection in
Adverse Conditions [15.327704761260131]
本稿では,ドメインに依存しないネットワークアーキテクチャであるGated Differentiable Image Processing (GDIP)ブロックを提案する。
提案するGDIPブロックは、下流の物体検出損失から画像を直接拡張することを学ぶ。
いくつかの最先端手法による検出性能の大幅な向上を示す。
論文 参考訳(メタデータ) (2022-09-29T16:43:13Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-28T16:18:08Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳(メタデータ) (2021-11-08T02:05:58Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。