論文の概要: Towards a Safer and Sustainable Manufacturing Process: Material classification in Laser Cutting Using Deep Learning

• arxiv url: http://arxiv.org/abs/2511.16026v1
• Date: Thu, 20 Nov 2025 04:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.461785
• Title: Towards a Safer and Sustainable Manufacturing Process: Material classification in Laser Cutting Using Deep Learning
• Title（参考訳）: 安全・持続可能な製造プロセスに向けて:Deep Learning を用いたレーザー切削における材料分類
• Authors: Mohamed Abdallah Salem, Hamdy Ahmed Ashur, Ahmed Elshinnawy,
• Abstract要約: 本稿では,レーザー切断過程の監視・制御を行う深層学習に基づく材料表面のスペックルパターンを用いた材料分類手法を提案する。 提案手法は、レーザースペックルパターンのデータセット上で畳み込みニューラルネットワーク(CNN)をトレーニングし、安全かつ効率的な切断のために異なる素材タイプを認識することを含む。 本研究では, レーザー色が変化しても, 材料分類において高い精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Laser cutting is a widely adopted technology in material processing across various industries, but it generates a significant amount of dust, smoke, and aerosols during operation, posing a risk to both the environment and workers' health. Speckle sensing has emerged as a promising method to monitor the cutting process and identify material types in real-time. This paper proposes a material classification technique using a speckle pattern of the material's surface based on deep learning to monitor and control the laser cutting process. The proposed method involves training a convolutional neural network (CNN) on a dataset of laser speckle patterns to recognize distinct material types for safe and efficient cutting. Previous methods for material classification using speckle sensing may face issues when the color of the laser used to produce the speckle pattern is changed. Experiments conducted in this study demonstrate that the proposed method achieves high accuracy in material classification, even when the laser color is changed. The model achieved an accuracy of 98.30 % on the training set and 96.88% on the validation set. Furthermore, the model was evaluated on a set of 3000 new images for 30 different materials, achieving an F1-score of 0.9643. The proposed method provides a robust and accurate solution for material-aware laser cutting using speckle sensing.
• Abstract（参考訳）: レーザー切断は様々な産業の材料加工において広く採用されている技術であるが、作業中に大量の塵、煙、エアロゾルを発生させ、環境と労働者の健康の両方に危険をもたらす。 スペックルセンシングは、カットプロセスを監視し、リアルタイムで材料タイプを特定するための有望な方法として登場した。 本稿では,レーザー切断過程の監視・制御を行う深層学習に基づく材料表面のスペックルパターンを用いた材料分類手法を提案する。 提案手法では、レーザースペックルパターンのデータセット上で畳み込みニューラルネットワーク(CNN)をトレーニングし、安全かつ効率的な切断のために異なる素材タイプを認識する。 スペックルパターンを生成するために使用されるレーザーの色を変えると、スペックルセンシングを用いた材料分類の以前の方法が問題となる可能性がある。 本研究では, レーザー色が変化しても, 材料分類において高い精度が得られることを示す。 このモデルはトレーニングセットで98.30%、検証セットで96.88%の精度を達成した。 さらに、30種類の異なる材料に対して3000枚の新しい画像で評価し、F1スコア0.9643を達成した。 提案手法は, スペックルセンシングを用いた材料対応レーザー切削の堅牢かつ高精度な解法である。

関連論文リスト

• Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection [51.65457287518379]
  本研究は,レーザー除草における雑草認識の実証的研究としては初めてである。 我々は,雑草の検出と雑草の局在を1つのエンドツーエンドシステムに統合した。 提案システムは,既存の雑草認識システムと比較して,雑草の精度を6.7%向上し,エネルギーコストを32.3%削減する。
  論文  参考訳（メタデータ） (2025-02-10T08:42:46Z)
• Reinforcement Learning on Reconfigurable Hardware: Overcoming Material Variability in Laser Material Processing [3.958366734801974]
  本研究では,実時間実行を実現するためにフィールドプログラマブルゲートアレイ上に実装された,レーザプロセス制御のための新しいリアルタイム強化学習手法を提案する。 具体的には、このアルゴリズムは各一意な表面特性に対する正しいパワープロファイルを学習し、手動の最適定電力戦略よりも大幅に改善された。 このアプローチは、レーザープロセスの自動化と最適化において大きな進歩を示し、複数の産業で応用される可能性がある。
  論文  参考訳（メタデータ） (2025-01-31T12:51:55Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• 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)
• Convolutional neural networks and multi-threshold analysis for contamination detection in the apparel industry [0.0]
  この研究は、完成品の小さな部品が与える汚染を自動的に検出するものである。 検出器は実際の生産工場に配備された。
  論文  参考訳（メタデータ） (2022-07-26T08:21:41Z)
• Identification and classification of exfoliated graphene flakes from microscopy images using a hierarchical deep convolutional neural network [4.464084686836888]
  本稿では,Si/SiO2基板上に剥離したグラフェンフレークの厚さを自動的に同定し,分類する深層学習手法を提案する。 提案手法は階層的な深部畳み込みニューラルネットワークを用いて,従来の画像からの知識を保ちながら,新たなイメージを学習することができる。 その結果, 深層学習モデルでは, 抽出したグラフェンフレークの識別と分類に最大99%の精度が得られた。
  論文  参考訳（メタデータ） (2022-03-29T05:54:06Z)
• Classification of Spot-welded Joints in Laser Thermography Data using Convolutional Neural Networks [52.661521064098416]
  レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。 我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
  論文  参考訳（メタデータ） (2020-10-24T20:38:12Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。