論文の概要: Efficient Edge-Compatible CNN for Speckle-Based Material Recognition in Laser Cutting Systems

• arxiv url: http://arxiv.org/abs/2512.00179v1
• Date: Fri, 28 Nov 2025 19:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.100918
• Title: Efficient Edge-Compatible CNN for Speckle-Based Material Recognition in Laser Cutting Systems
• Title（参考訳）: レーザ切削システムにおけるスペックルベース材料認識のためのエッジ対応CNN
• Authors: Mohamed Abdallah Salem, Nourhan Zein Diab,
• Abstract要約: レーザースペックルセンシングは、材料分類における低コストで非破壊的なモダリティである。 スペックルパターンに適した軽量畳み込みニューラルネットワーク(CNN)を提案する。 提案したモデルは95.05%の精度で、マクロと重み付きF1スコアは0.951である。
• 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: Accurate material recognition is critical for safe and effective laser cutting, as misidentification can lead to poor cut quality, machine damage, or the release of hazardous fumes. Laser speckle sensing has recently emerged as a low-cost and non-destructive modality for material classification; however, prior work has either relied on computationally expensive backbone networks or addressed only limited subsets of materials. In this study, A lightweight convolutional neural network (CNN) tailored for speckle patterns is proposed, designed to minimize parameters while maintaining high discriminative power. Using the complete SensiCut dataset of 59 material classes spanning woods, acrylics, composites, textiles, metals, and paper-based products, the proposed model achieves 95.05% test accuracy, with macro and weighted F1-scores of 0.951. The network contains only 341k trainable parameters (~1.3 MB) -- over 70X fewer than ResNet-50 -- and achieves an inference speed of 295 images per second, enabling deployment on Raspberry Pi and Jetson-class devices. Furthermore, when materials are regrouped into nine and five practical families, recall exceeds 98% and approaches 100%, directly supporting power and speed preset selection in laser cutters. These results demonstrate that compact, domain-specific CNNs can outperform large backbones for speckle-based material classification, advancing the feasibility of material-aware, edge-deployable laser cutting systems.
• Abstract（参考訳）: 正確な材料認識は、切断品質の低下、機械の損傷、有害な煙の放出につながるため、安全で効果的なレーザー切断に欠かせない。 レーザースペックルセンシングは、最近、材料分類の低コストで非破壊的なモダリティとして登場したが、以前の研究は計算に高価なバックボーンネットワークに依存していたり、限られたサブセットにしか対応していなかった。 本研究では,スペックルパターンに適した軽量畳み込みニューラルネットワーク(CNN)を提案する。 木材,アクリル,複合材料,繊維,金属,および紙製品にまたがる59の材料クラスからなる完全なSensiCutデータセットを用いて,提案モデルは95.05%のテスト精度を達成し,マクロおよび重み付きF1スコアは0.951である。 ネットワークにはたった341kのトレーニング可能なパラメータ(~1.3MB) -- ResNet-50より70倍少ない -- が含まれており、毎秒295イメージの推論速度を実現し、Raspberry PiやJetsonクラスのデバイスへのデプロイを可能にしている。 さらに、材料を9および5つの実用ファミリーに再分類すると、リコールは98%を超え、100%に近づき、レーザーカッターの電力と速度プリセット選択を直接支援する。 これらの結果は、コンパクトでドメイン固有なCNNが、スペックルベースの材料分類において大きなバックボーンよりも優れており、材料認識型、エッジ展開可能なレーザー切断システムの実現可能性が高まっていることを示している。

関連論文リスト

• Towards a Safer and Sustainable Manufacturing Process: Material classification in Laser Cutting Using Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-20T04:15:38Z)
• Laser Fault Injection in Memristor-Based Accelerators for AI/ML and Neuromorphic Computing [0.0]
  本稿では,敵が敵細胞を標的とし,その物理的特性や出力をレーザービームで微調整する,詳細な脅威モデルを提案する。 レーザ誘起光電流が出力電流分布にどのように現れるかを示し、差分欠陥解析により最大99.7%の精度で内部重量を推定できることを示す。
  論文  参考訳（メタデータ） (2025-10-15T21:44:03Z)
• High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate Surface Visual Quality Inspection Tailored for Real-World Manufacturing Environments [75.66288398180525]
  光導光板は、医療用照明器具からバックライトテレビディスプレイまで幅広い用途で広く利用されている光学部品である。 本研究では,光ガイド板表面の視覚的品質検査(VQI)を現実の製造環境に適した,完全に統合された,高性能なディープラーニング駆動ワークフローを提案する。 完全統合VQIシステム内のエッジコンピューティング上でのVQIの自動化を実現するため、高コンパクトな深層アンチエイリアス型アテンションコンデンサニューラルネットワーク(LightDefectNetと呼ぶ)が開発された。 LightDetectNetが検出精度を実現する実験
  論文  参考訳（メタデータ） (2022-12-20T20:11:11Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection [71.40595908386477]
  ライトガイドプレートの製造において重要なステップは、傷、明るい暗黒点、不純物などの欠陥の検査である。 ディープラーニング駆動型コンピュータビジョンの進歩は、ライトガイドプレートの自動視覚品質検査の探索につながった。 LightDetectNetは、光ガイド板表面欠陥検出に特化して設計された、高度にコンパクトなディープアンチエイリアス化されたアテンションコンデンサニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2022-04-25T16:33:37Z)
• Toward Compact Deep Neural Networks via Energy-Aware Pruning [2.578242050187029]
  ネットワークにおける各フィルタの重要性を核ノルム(NN)を用いて定量化する新しいエネルギー対応プルーニング手法を提案する。 FLOPの40.4/49.8%、パラメータ還元の45.9/52.9%、トップ1の精度の94.13/94.61%、CIFAR-10のResNet-56/110で競合する結果を得た。
  論文  参考訳（メタデータ） (2021-03-19T15:33:16Z)
• Coresets for Robust Training of Neural Networks against Noisy Labels [78.03027938765746]
  本稿では,雑音ラベルで訓練したディープネットワークの堅牢なトレーニングのための理論的保証を強く備えた新しい手法を提案する。 我々は、ほぼ低ランクのヤコビ行列を提供するクリーンなデータポイントの重み付き部分集合(コアセット)を選択する。 我々の実験は、我々の理論を裏付け、我々のサブセットで訓練されたディープネットワークが、最先端技術よりもはるかに優れたパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2020-11-15T04:58:11Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)
• Analyzing Redundancy in Pretrained Transformer Models [41.07850306314594]
  我々は、一般的な冗長性とタスク固有の冗長性という2つのクラスに分類される冗長性の概念を定義します。 提案手法は,ニューロンの10%以上を使用しながら,97%の性能を維持した効率的な特徴に基づく伝達学習手法である。
  論文  参考訳（メタデータ） (2020-04-08T14:29:23Z)

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。