論文の概要: Instant Particle Size Distribution Measurement Using CNNs Trained on Synthetic Data

• arxiv url: http://arxiv.org/abs/2507.00822v1
• Date: Tue, 01 Jul 2025 14:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.674623
• Title: Instant Particle Size Distribution Measurement Using CNNs Trained on Synthetic Data
• Title（参考訳）: 合成データを用いたCNNを用いたインスタント粒子径分布計測
• Authors: Yasser El Jarida, Youssef Iraqi, Loubna Mekouar,
• Abstract要約: 粒子径分布(PSD)の測定は、鉱業、医薬品、肥料製造などの産業において重要である。 畳み込みニューラルネットワーク(CNN)の最近の進歩は、粒子画像から直接、リアルタイムのPSD推定を可能にする。 本稿では,Blenderの高度なレンダリング機能を用いて生成したリアルな合成粒子画像に基づいて,CNNに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8488661947561273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate particle size distribution (PSD) measurement is important in industries such as mining, pharmaceuticals, and fertilizer manufacturing, significantly influencing product quality and operational efficiency. Traditional PSD methods like sieve analysis and laser diffraction are manual, time-consuming, and limited by particle overlap. Recent developments in convolutional neural networks (CNNs) enable automated, real-time PSD estimation directly from particle images. In this work, we present a CNN-based methodology trained on realistic synthetic particle imagery generated using Blender's advanced rendering capabilities. Synthetic data sets using this method can replicate various industrial scenarios by systematically varying particle shapes, textures, lighting, and spatial arrangements that closely resemble the actual configurations. We evaluated three CNN-based architectures, ResNet-50, InceptionV3, and EfficientNet-B0, for predicting critical PSD parameters (d10, d50, d90). Results demonstrated comparable accuracy across models, with EfficientNet-B0 achieving the best computational efficiency suitable for real-time industrial deployment. This approach shows the effectiveness of realistic synthetic data for robust CNN training, which offers significant potential for automated industrial PSD monitoring. The code is released at : https://github.com/YasserElj/Synthetic-Granular-Gen
• Abstract（参考訳）: 精密粒子径分布(PSD)測定は、鉱業、製薬、肥料製造などの産業において重要であり、製品の品質と運転効率に大きな影響を及ぼす。 シーブ分析やレーザー回折のような従来のPSD法は、手動、時間、粒子の重なりによって制限される。 畳み込みニューラルネットワーク(CNN)の最近の進歩は、粒子画像から直接、リアルタイムのPSD推定を可能にする。 本稿では,Blenderの高度なレンダリング機能を用いて生成したリアルな合成粒子画像に基づいて,CNNに基づく手法を提案する。 この手法を用いた合成データセットは、実際の構成によく似た粒子形状、テクスチャ、照明、空間配置を体系的に変化させることで、様々な産業シナリオを再現することができる。 我々は,重要なPSDパラメータ(d10,d50,d90)を予測するために,ResNet-50,InceptionV3,EfficientNet-B0の3つのCNNアーキテクチャを評価した。 その結果、モデル間で同等の精度を示し、リアルタイム産業展開に適した計算効率を効率よく達成した。 このアプローチは,産業用PSD監視の自動化に有意な可能性を秘めている,堅牢なCNNトレーニングのための現実的な合成データの有効性を示す。 コードはhttps://github.com/YasserElj/Synthetic-Granular-Genで公開されている。

関連論文リスト

• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• Improving Object Detection by Modifying Synthetic Data with Explainable AI [3.0519884745675485]
  本稿では,合成画像の設計効率を向上させるための新しい概念的アプローチを提案する。 XAI技術は、これらの画像を生成するために使用される3Dメッシュモデルを修正する、ループ中の人間プロセスを導く。 合成データは、トレーニング中に見えない方向の車両の検出を4.6%改善できることを示す。
  論文  参考訳（メタデータ） (2024-12-02T13:24:43Z)
• Investigation of the Impact of Synthetic Training Data in the Industrial Application of Terminal Strip Object Detection [4.327763441385371]
  本稿では,端末ストリップ物体検出の複雑な産業応用における標準対象検出器のシム・トゥ・リアル一般化性能について検討する。 評価のために300個の実画像に手動でアノテートを行った結果,どちらの領域でも同じ規模の興味の対象が重要であることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T18:33:27Z)
• Determination of droplet size from wide-angle light scattering image data using convolutional neural networks [0.0]
  我々は,畳み込みニューラルネットワーク(CNN)を用いた完全自動機械学習ベースのアプローチを導入し,ドロップレットサイズプロセスの合理化を図る。 燃焼器表面上におけるエタノール噴霧火炎過程のWALSデータについて検討する。 モデルは、約35,000 WALS画像からなる大規模なデータセット上でトレーニングされ、クロスバリデーションされる。
  論文  参考訳（メタデータ） (2023-11-03T18:05:47Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• 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)
• Improving the Deployment of Recycling Classification through Efficient Hyper-Parameter Analysis [0.0]
  本稿では,協調的なリサイクル分類モデルであるWasteNetのより効率的なバージョンを開発する。 新たに開発されたモデルは、テストセット精度95.8%、実世界の精度95%、オリジナルよりも14%向上した。 私たちの加速パイプラインは、Jetson Nano組み込みデバイスで毎秒750%から24パーセントの速度でモデルスループットを向上しました。
  論文  参考訳（メタデータ） (2021-10-21T10:42:14Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• 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)

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。