論文の概要: Machine Learning-Based Ultrasonic Weld Characterization Using Hierarchical Wave Modeling and Diffusion-Driven Distribution Alignment

• arxiv url: http://arxiv.org/abs/2510.13023v1
• Date: Tue, 14 Oct 2025 22:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.437346
• Title: Machine Learning-Based Ultrasonic Weld Characterization Using Hierarchical Wave Modeling and Diffusion-Driven Distribution Alignment
• Title（参考訳）: 階層波モデリングと拡散駆動分布アライメントを用いた機械学習による超音波溶接特性評価
• Authors: Joshua R. Tempelman, Adam J. Wachtor, Eric B. Flynn,
• Abstract要約: この研究は、音響溶接検査のための機械学習(ML)ワークフローを提案することにより、データキュレーションと信号の破損の課題に対処する。 減階モデル、拡散に基づく分布アライメント、U-Netに基づくセグメント化とインバージョンを提案する。 このフレームワークは、実データの自動溶接検査のためのエンドツーエンドソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated ultrasonic weld inspection remains a significant challenge in the nondestructive evaluation (NDE) community to factors such as limited training data (due to the complexity of curating experimental specimens or high-fidelity simulations) and environmental volatility of many industrial settings (resulting in the corruption of on-the-fly measurements). Thus, an end-to-end machine learning (ML) workflow for acoustic weld inspection in realistic (i.e., industrial) settings has remained an elusive goal. This work addresses the challenges of data curation and signal corruption by proposing workflow consisting of a reduced-order modeling scheme, diffusion based distribution alignment, and U-Net-based segmentation and inversion. A reduced-order Helmholtz model based on Lamb wave theory is used to generate a comprehensive dataset over varying weld heterogeneity and crack defects. The relatively inexpensive low-order solutions provide a robust training dateset for inversion models which are refined through a transfer learning stage using a limited set of full 3D elastodynamic simulations. To handle out-of-distribution (OOD) real-world measurements with varying and unpredictable noise distributions, i.e., Laser Doppler Vibrometry scans, guided diffusion produces in-distribution representations of OOD experimental LDV scans which are subsequently processed by the inversion models. This integrated framework provides an end-to-end solution for automated weld inspection on real data.
• Abstract（参考訳）: 非破壊的評価(NDE)コミュニティでは,試験片のキュレーションや高忠実度シミュレーションの複雑化による)や,多くの産業環境の環境変動(オンザフライ計測の腐敗による影響)といった要因に対して,自動超音波溶接検査が依然として大きな課題となっている。 このように、現実的な(産業的な)環境下での音響溶接検査のためのエンドツーエンド機械学習(ML)ワークフローは、いまだ先進的な目標のままである。 本研究は,データキュレーションと信号破壊の課題に対処し,低次モデリングスキーム,拡散型分布アライメント,U-Netベースのセグメンテーションとインバージョンからなるワークフローを提案する。 ラム波理論に基づく低次ヘルムホルツモデルを用いて、溶接の不均一性や亀裂欠陥に関する包括的データセットを生成する。 比較的安価な低次解は、完全な3次元エラストダイナミックシミュレーションの限られたセットを用いて、伝達学習段階を通して洗練される反転モデルのための堅牢なトレーニング日程を提供する。 レーザドップラー・バイブロメトリー・スキャン(レーザードップラー・バイブロメトリー・スキャン)は、OOD実験LDVスキャンの分布内表現を生成し、その後、逆解析モデルにより処理する。 この統合フレームワークは、実データの自動溶接検査のためのエンドツーエンドソリューションを提供する。

関連論文リスト

• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• Noise Fusion-based Distillation Learning for Anomaly Detection in Complex Industrial Environments [27.72114466968709]
  自動化工業製造における異常検出と局所化は、生産効率と製品品質を大幅に向上させる。 既存の方法では、事前に定義された撮像環境の欠陥を検出することができる。 本稿では,産業環境における異常検出と局所化のための新しい手法を提案する。 HetNetは、ローカル変更に関する限られた情報を使用して、通常のパターンの特徴をモデル化することを学ぶことができる。
  論文  参考訳（メタデータ） (2025-06-19T06:08:47Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。 DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
  論文  参考訳（メタデータ） (2025-03-10T17:44:46Z)
• 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)
• GSURE-Based Diffusion Model Training with Corrupted Data [35.56267114494076]
  本稿では, 劣化データのみに基づく生成拡散モデルのための新しいトレーニング手法を提案する。 顔画像と磁気共鳴画像(MRI)の撮影技術について紹介する。
  論文  参考訳（メタデータ） (2023-05-22T15:27:20Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)

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。