論文の概要: IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0
- arxiv url: http://arxiv.org/abs/2604.22857v1
- Date: Wed, 22 Apr 2026 14:09:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.000955
- Title: IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0
- Title（参考訳）: IoT強化CNNによる産業用画像アノテートのためのひび割れ検出4.0
- Authors: Mohsen Asghari Ilani, Yaser Mike Banad,
- Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を用いた付加製造(AM)表面の自動き裂検出のためのIoT強化ディープラーニングフレームワークを提案する。
リアルタイムデータ取得は、即時CNNベースの分析をサポートし、AM品質管理の精度と効率の両方を改善する。
精度は14,982枚で99.54%、精度は96%、リコールは98%、スコアは97%である。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an IoT-enhanced deep learning framework for automated crack detection in Additive Manufacturing (AM) surfaces using convolutional neural networks (CNNs). By integrating IoT-enabled real-time monitoring, high-resolution imaging, and edge computing, the system enables continuous in-situ defect detection and classification. Real-time data acquisition supports immediate CNN-based analysis, improving both accuracy and efficiency in AM quality control. The framework supports supervised and semi-supervised learning, enabling robust performance on large, sparsely annotated datasets. Using LabelImg for annotation and OpenCV for preprocessing, the system achieves 99.54% accuracy on 14,982 images, with 96% precision, 98% recall, and a 97% F1-score. Dataset balancing and augmentation significantly improve generalization, increasing accuracy from 32% to 99%. Beyond detection, the framework establishes a linkage between AM process parameters, defect formation, and surface topology, supporting predictive analytics and defect mitigation. Aligned with Industry 4.0, it incorporates Digital Twin (DT) technology for real-time process simulation, predictive maintenance, and adaptive control. Key contributions include an IoT-based monitoring system using edge devices (Raspberry Pi 4B), an optimized CNN with model quantization and batch processing reducing inference latency by 47%, and an MQTT-based low-latency data streaming system with 5G connectivity, lowering transmission overhead by 35%. DT integration further enables predictive defect analysis and dynamic adjustment of AM parameters. This work advances intelligent AM quality control by providing a scalable, high-accuracy, and low-latency framework. Future directions include multimodal data fusion, hybrid architectures, and enhanced Digital Twin simulations for AI-driven defect prevention.
- Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(CNN)を用いた付加製造(AM)表面の自動き裂検出のためのIoT強化ディープラーニングフレームワークを提案する。
IoT対応のリアルタイム監視、高解像度イメージング、エッジコンピューティングを統合することで、システムは継続的なインサイト欠陥検出と分類を可能にする。
リアルタイムデータ取得は、即時CNNベースの分析をサポートし、AM品質管理の精度と効率の両方を改善する。
このフレームワークは教師付きおよび半教師付き学習をサポートし、大小の注釈付きデータセット上で堅牢なパフォーマンスを実現する。
アノテーションにLabelImg、前処理にOpenCVを使用し、14,982枚の画像に対して99.54%の精度を実現し、96%の精度、98%のリコール、97%のF1スコアを記録した。
データセットのバランシングと拡張により、一般化が大幅に向上し、精度が32%から99%に向上した。
検出以外にも、フレームワークはAMプロセスパラメータ、欠陥生成、表面トポロジのリンクを確立し、予測分析と欠陥軽減をサポートする。
Industry 4.0と並行して、リアルタイムプロセスシミュレーション、予測保守、適応制御にDigital Twin(DT)技術が組み込まれている。
主なコントリビューションとしては、エッジデバイス(Raspberry Pi 4B)を使用したIoTベースの監視システム、モデル量子化とバッチ処理を備えた最適化されたCNNによる推論レイテンシの47%削減、5G接続を備えたMQTTベースの低レイテンシデータストリーミングシステム、トランスミッションオーバヘッドの35%削減などがある。
さらにDT統合により、予測欠陥解析とAMパラメータの動的調整が可能になる。
この作業は、スケーラブルで高精度で低レイテンシのフレームワークを提供することで、インテリジェントなAM品質管理を促進する。
今後の方向性としては、マルチモーダルデータ融合、ハイブリッドアーキテクチャ、AI駆動の欠陥防止のための強化されたDigital Twinシミュレーションなどがある。
関連論文リスト
- Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices [0.0]
資源制約下での高精度植物病診断のための新しい動的メタエンブルフレームワーク(DMEF)を提案する。
DMEFは適応重み付け機構を採用し、3つの軽量畳み込みニューラルネットワークの予測を動的に組み合わせている。
ジャガイモとトウモロコシ病のベンチマークデータセットの実験では、それぞれ99.53%と96.61%の最先端の分類精度が示されている。
論文 参考訳（メタデータ） (2026-01-24T03:57:49Z) - Efficient IoT Intrusion Detection with an Improved Attention-Based CNN-BiLSTM Architecture [0.2356141385409842]
本稿では,ボットネット攻撃を検出するためのコンパクトで効率的な手法を提案する。
提案手法は,N-BaIoTデータセットを用いたボットネット攻撃の検出において,99%の分類精度を実現する。
論文 参考訳（メタデータ） (2025-03-25T04:12:14Z) - AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。
私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。
提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
論文 参考訳（メタデータ） (2025-02-14T14:56:58Z) - Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics [0.0]
本稿では,拡張量子回帰ニューラルネットワーク(EQRNN)を中心に,新しい予測保守フレームワークを提案する。
先進的なニューラルネットワークを組み合わせたハイブリッドアプローチによる早期障害検出の課題に対処する。
計算効率を維持しながら複雑なマルチモーダルセンサーデータを処理する上でのこのフレームワークの有効性は、産業用4.0の製造環境への適用性を検証する。
論文 参考訳（メタデータ） (2025-01-09T09:11:40Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。