論文の概要: Estimating Pore Location of PBF-LB/M Processes with Segmentation Models
- arxiv url: http://arxiv.org/abs/2408.02507v1
- Date: Mon, 5 Aug 2024 14:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 13:17:11.999272
- Title: Estimating Pore Location of PBF-LB/M Processes with Segmentation Models
- Title（参考訳）: セグメンテーションモデルによるPBF-LB/Mプロセスの細孔位置推定
- Authors: Hans Aoyang Zhou, Jan Theunissen, Marco Kemmerling, Anas Abdelrazeq, Johannes Henrich Schleifenbaum, Robert H. Schmitt,
- Abstract要約: 本稿では,ガウス核密度推定を用いて単一層内における位置を推定する多孔性局所化手法を提案する。
これにより、セグメンテーションモデルは、その場監視データと細孔発生の導出確率分布との相関を学習することができる。
以上の結果から,本手法は最小限のデータ前処理を必要とする細孔の正確な局所化を可能にすると結論付けた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliably manufacturing defect free products is still an open challenge for Laser Powder Bed Fusion processes. Particularly, pores that occur frequently have a negative impact on mechanical properties like fatigue performance. Therefore, an accurate localisation of pores is mandatory for quality assurance, but requires time-consuming post-processing steps like computer tomography scans. Although existing solutions using in-situ monitoring data can detect pore occurrence within a layer, they are limited in their localisation precision. Therefore, we propose a pore localisation approach that estimates their position within a single layer using a Gaussian kernel density estimation. This allows segmentation models to learn the correlation between in-situ monitoring data and the derived probability distribution of pore occurrence. Within our experiments, we compare the prediction performance of different segmentation models depending on machine parameter configuration and geometry features. From our results, we conclude that our approach allows a precise localisation of pores that requires minimal data preprocessing. Our research extends the literature by providing a foundation for more precise pore detection systems.
- Abstract（参考訳）: 欠陥のない製品を製造することは、レーザー粉層融合プロセスにとって依然としてオープンな課題である。
特に、しばしば発生する細孔は疲労性能などの機械的特性に悪影響を及ぼす。
したがって、細孔の正確な局所化は品質保証には必須であるが、コンピュータ断層撮影のような時間を要する。
In-situモニタリングデータを用いた既存のソリューションは、層内の細孔発生を検出することができるが、それらの位置決め精度は制限されている。
そこで本稿では,ガウス核密度推定を用いて単一層内における位置を推定する多孔性局所化手法を提案する。
これにより、セグメンテーションモデルは、その場監視データと細孔発生の導出確率分布との相関を学習することができる。
実験では,機械パラメータの設定や幾何学的特徴に依存するセグメンテーションモデルの予測性能を比較した。
以上の結果から,本手法は最小限のデータ前処理を必要とする細孔の正確な局所化を可能にすると結論付けた。
我々の研究は、より精密な細孔検出システムの基礎を提供することで、文献を拡大する。
関連論文リスト
- ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning [4.498477459271036]
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。
論文 参考訳（メタデータ） (2024-04-23T19:56:11Z) - On Calibrating Diffusion Probabilistic Models [78.75538484265292]
拡散確率モデル(DPM)は様々な生成タスクにおいて有望な結果を得た。
そこで本研究では,任意の事前学習DPMを校正する簡単な方法を提案する。
キャリブレーション法は1回だけ行い, 得られたモデルをサンプリングに繰り返し使用することができる。
論文 参考訳（メタデータ） (2023-02-21T14:14:40Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Distributional Gaussian Processes Layers for Out-of-Distribution
Detection [18.05109901753853]
ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。
本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。
我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
論文 参考訳（メタデータ） (2022-06-27T14:49:48Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - A Kernel Framework to Quantify a Model's Local Predictive Uncertainty
under Data Distributional Shifts [21.591460685054546]
訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。
生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-03-02T00:31:53Z) - 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) - Cost-effective search for lower-error region in material parameter space
using multifidelity Gaussian process modeling [6.460853830978507]
物質パラメータの推定には沈降形状に関する情報が不可欠である。
この領域は、LER (low-error region) と呼ばれ、沈殿物に含まれる物質の固有の情報を反映している。
ガウス過程に基づく多忠実度モデリングを用いて,異なる精度の複数の計算からトレーニングデータをサンプリングすることができる。
論文 参考訳（メタデータ） (2020-03-15T04:14:30Z)
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。