論文の概要: TransMatch: A Transfer-Learning Framework for Defect Detection in Laser Powder Bed Fusion Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2509.01754v1
- Date: Mon, 01 Sep 2025 20:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.83629
- Title: TransMatch: A Transfer-Learning Framework for Defect Detection in Laser Powder Bed Fusion Additive Manufacturing
- Title（参考訳）: TransMatch:レーザー粉体溶融添加物製造における欠陥検出のためのトランスラーニングフレームワーク
- Authors: Mohsen Asghari Ilani, Yaser Mike Banad,
- Abstract要約: 本稿では,トランスファーラーニングと半教師付き複数ショットラーニングを併用して,ラベル付きAM欠陥データの不足に対処するフレームワークであるTransMatchを紹介する。
8,284枚の画像のSurface Defectsデータセットに対する実験的評価は、TransMatchの有効性を示し、最小損失で98.91%の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface defects in Laser Powder Bed Fusion (LPBF) pose significant risks to the structural integrity of additively manufactured components. This paper introduces TransMatch, a novel framework that merges transfer learning and semi-supervised few-shot learning to address the scarcity of labeled AM defect data. By effectively leveraging both labeled and unlabeled novel-class images, TransMatch circumvents the limitations of previous meta-learning approaches. Experimental evaluations on a Surface Defects dataset of 8,284 images demonstrate the efficacy of TransMatch, achieving 98.91% accuracy with minimal loss, alongside high precision, recall, and F1-scores for multiple defect classes. These findings underscore its robustness in accurately identifying diverse defects, such as cracks, pinholes, holes, and spatter. TransMatch thus represents a significant leap forward in additive manufacturing defect detection, offering a practical and scalable solution for quality assurance and reliability across a wide range of industrial applications.
- Abstract（参考訳）: レーザー粉体融合(LPBF)の表面欠陥は、添加物製造部品の構造的整合性に重大なリスクをもたらす。
本稿では,トランスミッション学習と半教師付き複数ショット学習を融合して,ラベル付きAM欠陥データの不足に対処する新しいフレームワークであるTransMatchを紹介する。
ラベル付き画像とラベルなし画像の両方を効果的に活用することで、TransMatchは従来のメタ学習アプローチの限界を回避することができる。
8,284枚の画像のSurface Defectsデータセットに対する実験的評価は、TransMatchの有効性を示し、複数の欠陥クラスの高精度、リコール、F1スコアとともに、最小損失で98.91%の精度を達成した。
これらの発見は、亀裂、ピンホール、穴、スパッタなどの多様な欠陥を正確に識別する上で、その堅牢性を強調している。
TransMatchは、幅広い産業アプリケーションにわたる品質保証と信頼性のための実用的でスケーラブルなソリューションを提供する。
関連論文リスト
- Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering [8.132909775584395]
本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。
条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。
本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-08T01:53:34Z) - In-Situ Melt Pool Characterization via Thermal Imaging for Defect Detection in Directed Energy Deposition Using Vision Transformers [10.078323907266144]
ポーシティや亀裂などの内部欠陥は、機械的特性や全体的な性能を損なう可能性がある。
本研究は,DEDプリント部品の欠陥検出と品質管理の改善を目的として,ポロシティに関連するプールのその場監視とキャラクタリゼーションに焦点を当てた。
論文 参考訳（メタデータ） (2024-11-18T20:03:49Z) - Joint Attention-Guided Feature Fusion Network for Saliency Detection of
Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。
JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。
SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文 参考訳（メタデータ） (2024-02-05T08:10:16Z) - Segment Anything in Defect Detection [38.85728242930962]
DefectSAMは、ノイズの多い熱画像に欠陥を分割するための新しいアプローチである。
既存の最先端セグメンテーションアルゴリズムを超え、欠陥検出率を大幅に改善する。
論文 参考訳（メタデータ） (2023-11-17T00:28:19Z) - 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) - Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-06-06T08:19:30Z) - SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised
Learning [101.86916775218403]
本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。
トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。
実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
論文 参考訳（メタデータ） (2023-01-26T03:53:25Z) - A New Knowledge Distillation Network for Incremental Few-Shot Surface
Defect Detection [20.712532953953808]
本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。
提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。
Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-09-01T15:08:44Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z)
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。