論文の概要: ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning
- arxiv url: http://arxiv.org/abs/2404.16882v1
- Date: Tue, 23 Apr 2024 19:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 15:13:44.218657
- Title: ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning
- Title(参考訳): ThermoPore: 深層学習を用いた熱画像に基づくポーシティの予測
- Authors: Peter Myung-Won Pak, Francis Ogoke, Andrew Polonsky, Anthony Garland, Dan S. Bolintineanu, Dan R. Moser, Michael J. Heiden, Amir Barati Farimani,
- Abstract要約: 本稿では,レーザー粉体融合法で作製した試料中の擬似ポロシティの定量化と局在化のための深層学習手法を提案する。
私たちの目標は、ビルド中に取得した熱画像に基づいて、パーツのリアルタイムポロシティマップを構築することです。
- 参考スコア(独自算出の注目度): 4.498477459271036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a deep learning approach for quantifying and localizing ex-situ porosity within Laser Powder Bed Fusion fabricated samples utilizing in-situ thermal image monitoring data. Our goal is to build the real time porosity map of parts based on thermal images acquired during the build. The quantification task builds upon the established Convolutional Neural Network model architecture to predict pore count and the localization task leverages the spatial and temporal attention mechanisms of the novel Video Vision Transformer model to indicate areas of expected porosity. Our model for porosity quantification achieved a $R^2$ score of 0.57 and our model for porosity localization produced an average IoU score of 0.32 and a maximum of 1.0. This work is setting the foundations of part porosity "Digital Twins" based on additive manufacturing monitoring data and can be applied downstream to reduce time-intensive post-inspection and testing activities during part qualification and certification. In addition, we seek to accelerate the acquisition of crucial insights normally only available through ex-situ part evaluation by means of machine learning analysis of in-situ process monitoring data.
- Abstract(参考訳): In-situ thermal image monitoring data を用いて,レーザー粉体融合法で作製した試料中の擬似ポロシティの定量化と局在化のための深層学習手法を提案する。
私たちの目標は、ビルド中に取得した熱画像に基づいて、パーツのリアルタイムポロシティマップを構築することです。
量子化タスクは、細孔数を予測するために確立された畳み込みニューラルネットワークモデルアーキテクチャに基づいて構築され、ローカライゼーションタスクは、新しいビデオビジョントランスフォーマーモデルの空間的および時間的注意機構を利用して、期待されるポロシティの領域を示す。
ポロシティ定量化モデルではR^2$スコアが0.57、ポロシティ局在化モデルでは平均IoUスコアが0.32、最大1.0が得られた。
本研究は, 付加的製造監視データに基づいて, パートポーシティ"デジタルツイン"の基礎を設定し, パート資格・認定期間中の時間集中検査・テスト活動を減らすために下流に応用することができる。
さらに,プロセス監視データの機械学習解析により,通常利用可能な重要な洞察の獲得を,前部評価によって促進することを目指す。
関連論文リスト
- DeepForge: Leveraging AI for Microstructural Control in Metal Forming
via Model Predictive Control [0.0]
本研究では, 閉鎖型熱間鍛造における組織制御手法を提案する。
Model PredictiveCMPとDeepForgeというマシンを組み合わせる。
論文 参考訳(メタデータ) (2024-02-25T15:37:14Z) - Evaluation of Key Spatiotemporal Learners for Print Track Anomaly
Classification Using Melt Pool Image Streams [1.83192584562129]
本稿では,メルトプール画像の分類に適応可能な,先進的な深層学習モデルについて紹介する。
空間的ストリームと時間的ストリームと、繰り返し空間的ネットワークと、分解された3次元畳み込みニューラルネットワークから構成される2つのストリームネットワークについて検討する。
実世界のプロセスシナリオに根ざしたデータテンポラリ手法を用いて, 溶融プール画像データの摂動に曝露した場合の一般化能力について検討した。
論文 参考訳(メタデータ) (2023-08-28T19:31:53Z) - SpaDen : Sparse and Dense Keypoint Estimation for Real-World Chart
Understanding [9.264156931444331]
本稿では,グラフデータ抽出のためのボトムアップ手法を提案する。
我々は、プロット領域内のコンポーネントを再構成するキーポイント(KP)を検出することを学ぶ。
実験の結果,実世界のグラフデータ抽出の課題に対して,広範囲な評価が得られた。
論文 参考訳(メタデータ) (2023-08-03T18:03:42Z) - Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。
トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。
実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
論文 参考訳(メタデータ) (2023-06-29T16:24:32Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Machine learning based in situ quality estimation by molten pool
condition-quality relations modeling using experimental data [14.092644790436635]
計測可能な溶融プール画像と温度データから相関関係を確立するための機械学習畳み込みニューラルネットワーク(CNN)モデルを開発した。
マルチモダリティネットワークは、カメラ画像と温度測定の両方を入力として受信し、対応するキャラクタリゼーション特性が得られる。
開発したモデルでは, 量的, 協調的品質推定・保証フレームワークを構築するために, 溶融プール条件品質関係マッピングが可能となる。
論文 参考訳(メタデータ) (2021-03-21T15:57:05Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Semi-supervised Facial Action Unit Intensity Estimation with Contrastive
Learning [54.90704746573636]
提案手法では,手動でキーフレームを選択する必要はなく,2%の注釈付きフレームで最先端の結果を生成できる。
提案手法は, ランダムに選択したデータに対してわずか2%の費用で作業した場合に, 既存の手法よりも優れていることを実験的に検証した。
論文 参考訳(メタデータ) (2020-11-03T17:35:57Z) - Object-based Illumination Estimation with Rendering-aware Neural
Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。
推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文 参考訳(メタデータ) (2020-08-06T08:23:19Z) - Detecting Production Phases Based on Sensor Values using 1D-CNNs [2.359291431338925]
我々は、畳み込みニューラルネットワークの助けを借りて、センサ値の検査により生産段階を特定する。
我々の教師付き学習アプローチは、選択したニューラルネットワークに対して有望な精度を示す。
我々は,本研究で示されたような解決策を,予測的メンテナンスの分野における健全な柱とみなす。
論文 参考訳(メタデータ) (2020-04-24T00:45:48Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z)
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。