論文の概要: Defect Segmentation in OCT scans of ceramic parts for non-destructive inspection using deep learning
- arxiv url: http://arxiv.org/abs/2510.00745v1
- Date: Wed, 01 Oct 2025 10:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.517179
- Title: Defect Segmentation in OCT scans of ceramic parts for non-destructive inspection using deep learning
- Title（参考訳）: 深層学習を用いた非破壊検査のためのセラミックス部品のOCTスキャンにおける欠陥セグメンテーション
- Authors: Andrés Laveda-Martínez, Natalia P. García-de-la-Puente, Fernando García-Torres, Niels Møller Israelsen, Ole Bang, Dominik Brouczek, Niels Benson, Adrián Colomer, Valery Naranjo,
- Abstract要約: 本稿では,Deep Learning(DL)に基づく自動欠陥検出システムを提案する。
U-Netアーキテクチャに基づくニューラルネットワークを開発し、その性能を高めるために複数の実験的な構成を評価する。
このシステムは0.979のDice Scoreの正確な振る舞いを示し、比較研究より優れている。
- 参考スコア（独自算出の注目度）: 32.87045959269109
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-destructive testing (NDT) is essential in ceramic manufacturing to ensure the quality of components without compromising their integrity. In this context, Optical Coherence Tomography (OCT) enables high-resolution internal imaging, revealing defects such as pores, delaminations, or inclusions. This paper presents an automatic defect detection system based on Deep Learning (DL), trained on OCT images with manually segmented annotations. A neural network based on the U-Net architecture is developed, evaluating multiple experimental configurations to enhance its performance. Post-processing techniques enable both quantitative and qualitative evaluation of the predictions. The system shows an accurate behavior of 0.979 Dice Score, outperforming comparable studies. The inference time of 18.98 seconds per volume supports its viability for detecting inclusions, enabling more efficient, reliable, and automated quality control.
- Abstract（参考訳）: 非破壊試験(NDT)は、その完全性を損なうことなく部品の品質を確保するために、セラミックス製造において不可欠である。
この文脈において、光コヒーレンス・トモグラフィ(OCT)は高分解能な内部イメージングを可能にし、細孔、剥離、包有物などの欠陥を明らかにする。
本稿では,手動分割アノテーションを用いた OCT 画像から学習したDeep Learning (DL) に基づく自動欠陥検出システムを提案する。
U-Netアーキテクチャに基づくニューラルネットワークを開発し、その性能を高めるために複数の実験的な構成を評価する。
後処理技術は、予測の量的および質的な評価を可能にする。
このシステムは0.979のDice Scoreの正確な振る舞いを示し、比較研究より優れている。
1ボリュームあたり18.98秒の推論時間は、インクルージョンを検出するための生存可能性をサポートし、より効率的で信頼性があり、自動品質管理を可能にする。
関連論文リスト
- EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT)
CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-09-26T05:51:59Z) - Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。
改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。
Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
論文 参考訳（メタデータ） (2025-09-09T14:31:51Z) - MID-INFRARED (MIR) OCT-based inspection in industry [32.33406552316584]
本稿では,中赤外(MIR)光コヒーレンス・トモグラフィー(OCT)システムについて,異なる物質を透過し,地中不規則を検出するツールとして評価することを目的とする。
論文 参考訳（メタデータ） (2025-07-01T11:25:42Z) - HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。
WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。
本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
論文 参考訳（メタデータ） (2025-06-23T17:22:19Z) - Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。
臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。
我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:56:10Z) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T10:09:01Z) - Taguchi based Design of Sequential Convolution Neural Network for
Classification of Defective Fasteners [0.08795040582681389]
本研究は, 田口による実験・解析の設計を用いて, 頑健な自動システムの開発を行う。
提案されたシーケンシャルCNNは96.3%のバリデーション精度、0.277のバリデーション損失0.001の学習率を持つ。
論文 参考訳（メタデータ） (2022-07-22T10:26:07Z) - Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising [33.706959549595496]
パッチワイド・ディープ・メトリック・ラーニングを用いた低用量CT再構成のための新しい教師なし学習手法を提案する。
鍵となる考え方は、同じ解剖学的構造を共有するイメージパッチの正のペアを引いて、互いに同じノイズレベルを持つ負のペアをプッシュすることで、埋め込み空間を学習することである。
実験結果から,CT数シフトを伴わない高品質な復号化画像の作成において,深度検定学習が重要な役割を担っていることが確認された。
論文 参考訳（メタデータ） (2022-07-06T00:58:11Z) - Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。
これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。
このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
論文 参考訳（メタデータ） (2020-07-02T18:00:02Z)
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。