論文の概要: Intelligent Vacuum Thermoforming Process

• arxiv url: http://arxiv.org/abs/2509.13250v1
• Date: Tue, 16 Sep 2025 17:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.185739
• Title: Intelligent Vacuum Thermoforming Process
• Title（参考訳）: インテリジェント真空熱成形プロセス
• Authors: Andi Kuswoyo, Christos Margadji, Sebastian W. Pattinson,
• Abstract要約: 本研究では,プロセスパラメータの予測と最適化を行う視覚ベースの品質制御システムを提案する。 真空成形試料の視覚データを用いて包括的データセットを開発した。 k-Nearest Neighbour アルゴリズムを用いてプロセスパラメータの調整を行う。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring consistent quality in vacuum thermoforming presents challenges due to variations in material properties and tooling configurations. This research introduces a vision-based quality control system to predict and optimise process parameters, thereby enhancing part quality with minimal data requirements. A comprehensive dataset was developed using visual data from vacuum-formed samples subjected to various process parameters, supplemented by image augmentation techniques to improve model training. A k-Nearest Neighbour algorithm was subsequently employed to identify adjustments needed in process parameters by mapping low-quality parts to their high-quality counterparts. The model exhibited strong performance in adjusting heating power, heating time, and vacuum time to reduce defects and improve production efficiency.
• Abstract（参考訳）: 真空熱成形における一貫した品質の確保は、材料特性や工具構成の変化による課題を提起する。 本研究では,プロセスパラメータの予測と最適化を行うビジョンベースの品質制御システムを導入し,データ要求を最小限に抑えた部分品質を向上する。 各種プロセスパラメータを付加した真空成形試料の視覚データを用いて包括的データセットを構築し, モデルトレーニングを改善するために画像拡張技術を用いて補足した。 その後、k-Nearest Neighbourアルゴリズムを用いて、低品質の部品を高品質な部品にマッピングすることで、プロセスパラメータに必要な調整を識別した。 このモデルでは, 加熱力, 加熱時間, 真空時間を調整し, 欠陥を低減し, 生産効率を向上した。

関連論文リスト

• Ultra-Resolution Adaptation with Ease [62.56434979517156]
  我々は,EmphURAEと呼ばれる超高分解能適応のための重要なガイドラインのセットを提案する。 重み行列の小さな成分のチューニングは、合成データが利用できない場合に広く使用される低ランクアダプタよりも優れていることを示す。 URAEは、FLUX1.1[Pro] Ultraのような最先端のクローズドソースモデルに匹敵する2K世代の性能を達成している。
  論文  参考訳（メタデータ） (2025-03-20T16:44:43Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Hierarchical Features Matter: A Deep Exploration of Progressive Parameterization Method for Dataset Distillation [44.03611131165989]
  階層型生成蒸留(H-PD)と呼ばれる新しい生成パラメータ化法を提案する。 提案したH-PDは、等価な時間消費で様々な設定で大幅な性能向上を実現している。 IPC=1, IPC=10の超過圧縮比下での拡散モデルを用いて, 現在の再生蒸留を超越している。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• 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)
• E^2VPT: An Effective and Efficient Approach for Visual Prompt Tuning [55.50908600818483]
  新しいタスクのための微調整された大規模な事前学習型ビジョンモデルは、パラメーター集約化が進んでいる。 本稿では,大規模なトランスフォーマーモデル適応のための効果的かつ効率的なビジュアルプロンプトチューニング(E2VPT)手法を提案する。 提案手法は2つのベンチマークにおいて,最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-07-25T19:03:21Z)
• Inference from Real-World Sparse Measurements [21.194357028394226]
  実世界の問題は、しばしば複雑で非構造的な測定セットが伴うが、これはセンサーが空間または時間に狭く配置されているときに起こる。 セットからセットまで様々な位置で測定セットを処理し、どこででも読み出しを抽出できるディープラーニングアーキテクチャは、方法論的に困難である。 本稿では,適用性と実用的堅牢性に着目したアテンションベースモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:42:20Z)
• End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort [0.0]
  本稿では,リカレントニューラルネットワークに基づくメタモデルを導入し,一般の建物の挙動を予測する訓練を行う。 メタモデルの予測とセンサから得られた実データを比較することでパラメータを推定する。 エネルギー消費は、目標の熱の快適さと空気の質を維持しながら最適化されている。
  論文  参考訳（メタデータ） (2021-02-01T10:21:09Z)
• End-to-end deep metamodeling to calibrate and optimize energy loads [0.0]
  本研究では,大規模建物のエネルギー性能と快適性,空気質,衛生性を最適化する新しいエンド・ツー・エンド手法を提案する。 シミュレーションプログラムでサンプル化したデータセットを用いてトランスフォーマーネットワークに基づくメタモデルを導入,訓練する。
  論文  参考訳（メタデータ） (2020-06-19T07:40:11Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。