論文の概要: Scalable AI Framework for Defect Detection in Metal Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2411.00960v1
- Date: Fri, 01 Nov 2024 18:17:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:51:07.996206
- Title: Scalable AI Framework for Defect Detection in Metal Additive Manufacturing
- Title（参考訳）: 金属添加物製造における欠陥検出のためのスケーラブルAIフレームワーク
- Authors: Duy Nhat Phan, Sushant Jha, James P. Mavo, Erin L. Lanigan, Linh Nguyen, Lokendra Poudel, Rahul Bhowmik,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.303463009749888
- License:
- Abstract: Additive Manufacturing (AM) is transforming the manufacturing sector by enabling efficient production of intricately designed products and small-batch components. However, metal parts produced via AM can include flaws that cause inferior mechanical properties, including reduced fatigue response, yield strength, and fracture toughness. To address this issue, we leverage convolutional neural networks (CNN) to analyze thermal images of printed layers, automatically identifying anomalies that impact these properties. We also investigate various synthetic data generation techniques to address limited and imbalanced AM training data. Our models' defect detection capabilities were assessed using images of Nickel alloy 718 layers produced on a laser powder bed fusion AM machine and synthetic datasets with and without added noise. Our results show significant accuracy improvements with synthetic data, emphasizing the importance of expanding training sets for reliable defect detection. Specifically, Generative Adversarial Networks (GAN)-generated datasets streamlined data preparation by eliminating human intervention while maintaining high performance, thereby enhancing defect detection capabilities. Additionally, our denoising approach effectively improves image quality, ensuring reliable defect detection. Finally, our work integrates these models in the CLoud ADditive MAnufacturing (CLADMA) module, a user-friendly interface, to enhance their accessibility and practicality for AM applications. This integration supports broader adoption and practical implementation of advanced defect detection in AM processes.
- Abstract（参考訳）: アダプティブ・マニュファクチャリング(AM)は、複雑に設計された製品や小さな部品の効率的な製造を可能にすることで製造セクタを変革している。
しかし、AMを介して製造される金属部品には、疲労応答の低減、降伏強度、破壊靭性など、機械的特性の劣る欠陥が含まれている。
この問題に対処するために、畳み込みニューラルネットワーク(CNN)を活用して、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。
また,制限および不均衡なAMトレーニングデータに対処する各種合成データ生成手法についても検討した。
レーザパウダーベッド融合AM機で作製したニッケル合金718層と, ノイズを伴わずに合成データセットを用いて, 欠陥検出機能の評価を行った。
以上の結果から, 信頼性の高い欠陥検出のためのトレーニングセットの拡張の重要性を強調し, 合成データによる精度向上を図った。
具体的には、GAN(Generative Adversarial Networks)が生成したデータセットは、高い性能を維持しながら人間の介入を排除し、欠陥検出能力を向上することで、データ準備を効率化した。
さらに,本手法は画像品質を効果的に向上し,信頼性の高い欠陥検出を実現する。
最後に、これらのモデルをユーザフレンドリなインターフェースである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。
この統合は、AMプロセスにおける高度な欠陥検出の広範な採用と実践的な実装をサポートする。
関連論文リスト
- Bring the Power of Diffusion Model to Defect Detection [0.0]
拡散確率モデル(DDPM)は,特徴リポジトリとして構築する認知過程の特徴を抽出するために事前訓練される。
待ち行列特徴を再構成してフィルタして高次元DDPM特徴を得る。
実験結果から,本手法はいくつかの産業データセット上での競合的な結果が得られることが示された。
論文 参考訳（メタデータ） (2024-08-25T14:28:49Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - An unsupervised approach towards promptable defect segmentation in laser-based additive manufacturing by Segment Anything [7.188573079798082]
我々は、最先端のビジョントランスフォーマー(ViT)ベースのファンデーションモデルを用いて、画像セグメンテーションのためのフレームワークを構築する。
我々は、ラベル付きデータを使わずに高精度に学習し、迅速なチューニングプロセスを導出する。
我々は、現在のレーザー添加物製造プロセスに革命をもたらす可能性のある、リアルタイムな異常検出パイプラインの構築を構想する。
論文 参考訳（メタデータ） (2023-12-07T06:03:07Z) - Automated Detection of hidden Damages and Impurities in Aluminum Die
Casting Materials and Fibre-Metal Laminates using Low-quality X-ray
Radiography, Synthetic X-ray Data Augmentation by Simulation, and Machine
Learning [0.0]
本研究は、自動損傷と欠陥検知器のデータ駆動モデリングにおける手法と課題について論じる。
データと機能の分散、データ特徴ラベリング(教師付き機械学習のための)、そして、欠けている基礎的真実である。
データは、低品質で低コスト(Low-Q)、中高品質(micro-CT、Mid-/High-Q)の3つのデバイスで測定される。
論文 参考訳（メタデータ） (2023-11-17T15:22:20Z) - DeepInspect: An AI-Powered Defect Detection for Manufacturing Industries [0.0]
この技術は、製品写真から複雑な詳細を抽出することによって、欠陥を正確に識別する。
このプロジェクトでは、ディープラーニングフレームワークを活用して、製造プロセスにおけるリアルタイムな欠陥検出を自動化する。
論文 参考訳（メタデータ） (2023-11-07T04:59:43Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳（メタデータ） (2023-11-06T22:13:10Z) - 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) - Automated Semiconductor Defect Inspection in Scanning Electron
Microscope Images: a Systematic Review [4.493547775253646]
機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。
畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。
本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
論文 参考訳（メタデータ） (2023-08-16T13:59:43Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - On the Robustness of Quality Measures for GANs [136.18799984346248]
本研究は、インセプションスコア(IS)やFr'echet Inception Distance(FID)のような生成モデルの品質測定の堅牢性を評価する。
このような測度は、加算画素摂動によっても操作可能であることを示す。
論文 参考訳（メタデータ） (2022-01-31T06:43:09Z)
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。