論文の概要: PQTNet: Pixel-wise Quantitative Thermography Neural Network for Estimating Defect Depth in Polylactic Acid Parts by Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2602.03314v1
• Date: Tue, 03 Feb 2026 09:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.366299
• Title: PQTNet: Pixel-wise Quantitative Thermography Neural Network for Estimating Defect Depth in Polylactic Acid Parts by Additive Manufacturing
• Title（参考訳）: PQTNet:添加物製造によるポリ乳酸部品の欠陥深さ推定のための画素単位の定量的サーモグラフィニューラルネットワーク
• Authors: Lei Deng, Wenhao Huang, Chao Yang, Haoyuan Zheng, Yinbin Tian, Yue Ma,
• Abstract要約: 本研究は,ポリ乳酸 (PLA) 部品のこの課題に対処するためのPQT-Net(Pixel-wise Quantitative Thermography Neural Network)を提案する。 重要な革新は、熱ストライプデータを2次元画像に再構成する新しいデータ拡張戦略である。 他のディープラーニングモデルよりもPQT-Netの方が優れており、最小平均絶対誤差(MAE)は0.0094mm、決定係数(R)は99%を超える。
• 参考スコア（独自算出の注目度）: 14.064209984408627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defect depth quantification in additively manufactured (AM) components remains a significant challenge for non-destructive testing (NDT). This study proposes a Pixel-wise Quantitative Thermography Neural Network (PQT-Net) to address this challenge for polylactic acid (PLA) parts. A key innovation is a novel data augmentation strategy that reconstructs thermal sequence data into two-dimensional stripe images, preserving the complete temporal evolution of heat diffusion for each pixel. The PQT-Net architecture incorporates a pre-trained EfficientNetV2-S backbone and a custom Residual Regression Head (RRH) with learnable parameters to refine outputs. Comparative experiments demonstrate the superiority of PQT-Net over other deep learning models, achieving a minimum Mean Absolute Error (MAE) of 0.0094 mm and a coefficient of determination (R) exceeding 99%. The high precision of PQT-Net underscores its potential for robust quantitative defect characterization in AM.
• Abstract（参考訳）: 非破壊試験(NDT)において、添加物製造(AM)部品の欠陥深さ定量化は重要な課題である。 本研究は,ポリ乳酸 (PLA) 部品のこの課題に対処するためのPQT-Net(Pixel-wise Quantitative Thermography Neural Network)を提案する。 重要な革新は、熱シーケンスデータを2次元のストライプ画像に再構成し、各ピクセルに対する熱拡散の完全な時間的進化を保存する、新しいデータ拡張戦略である。 PQT-Netアーキテクチャには、トレーニング済みのEfficientNetV2-Sバックボーンと、学習可能なパラメータを持つ独自のResidual Regression Head(RRH)が組み込まれている。 比較実験は、PQT-Netが他のディープラーニングモデルよりも優れていることを示すもので、最小平均絶対誤差(MAE)は0.0094mm、決定係数(R)は99%を超える。 PQT-Netの高精度化は、AMにおけるロバストな量的欠陥のキャラクタリゼーションの可能性を示している。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
  MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。 モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
  論文  参考訳（メタデータ） (2024-01-21T13:24:41Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network [0.17590081165362778]
  衛星による観測は、雲の覆いと表面反射率に負の影響を受けている。 本稿では,部分畳み込みニューラルネットワーク(PCNN)の適用範囲を広げ,深部畳み込み層を組み込む。 深層学習システムは,TROpospheric Monitoring Instrument TCDNO2をインプットするために,N_2(TCDNO2)の球面密度をシミュレーションしたコミュニティマルチスケール空気品質モデルを用いて訓練される。
  論文  参考訳（メタデータ） (2022-04-12T16:23:36Z)
• Physics-Enforced Modeling for Insertion Loss of Transmission Lines by Deep Neural Networks [4.762000720968522]
  ニューラルネットワークの直接適用は、負の挿入損失を持つ非物理モデルにつながる可能性があることを示す。 1つの解決策は、受動的条件を表す規制項を最終損失関数に追加し、挿入損失の負の量を強制することである。 第2の方法では、挿入損失を近似する正性を保証する3階式を最初に定義する。
  論文  参考訳（メタデータ） (2021-07-27T00:22:10Z)
• Photothermal-SR-Net: A Customized Deep Unfolding Neural Network for Photothermal Super Resolution Imaging [9.160910754837756]
  本論文では, 基礎物理を考慮した深部展開によるデコンボリューションを行う光熱SR-Netを提案する。 光熱SR-Netは、各畳み込み層の得られた熱画像に訓練されたブロック分散しきい値を適用します。
  論文  参考訳（メタデータ） (2021-04-21T14:41:04Z)
• Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network [0.0]
  本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。 次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。 本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
  論文  参考訳（メタデータ） (2020-10-29T14:58:39Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。