Fugu-MT 論文翻訳(概要): A welding penetration prediction model for laser welding process based on self-supervised learning using physics-informed neural networks

論文の概要: A welding penetration prediction model for laser welding process based on self-supervised learning using physics-informed neural networks

arxiv url: http://arxiv.org/abs/2606.26059v1
Date: Wed, 24 Jun 2026 17:33:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.40466
Title: A welding penetration prediction model for laser welding process based on self-supervised learning using physics-informed neural networks
Title（参考訳）: 物理インフォームドニューラルネットワークを用いた自己教師あり学習に基づくレーザ溶接プロセスの溶接浸透予測モデル
Abstract要約: SimPhysNetはレーザー溶接浸透予測において高い分類精度を実現する新しいアルゴリズムである。 SimPhysNetの中核は自己教師型学習パラダイムであり、物理的な事前を対照的な学習フレームワークに組み込む。実験の結果、SimPhysNetはわずか200のラベル付き画像を用いて96.06%の分類精度を達成した。
参考スコア（独自算出の注目度）: 6.163765583080594
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The laser welding full-penetration is of critical importance, as it constitutes one of the fundamental factors in achieving defect-free welded joints. Accurate prediction of the penetration state is therefore essential for ensuring weld quality. To this end, this paper introduces SimPhysNet, a novel algorithm that achieves high classification accuracy in laser welding penetration prediction using only a limited number of labelled images. This approach effectively overcomes the limitations of supervised learning classification algorithms, which are hindered in industrial applications by their dependence on extensive, high-quality labelled data. The core of SimPhysNet is a unique self-supervised learning paradigm that embeds physical priors into a contrastive learning framework. By incorporating a physics-informed neural network (PINN), the model is guided to extract physically meaningful features of the molten pool and keyhole from a large set of unlabelled data, while three image augmentation tasks further enhance its generalization capabilities. Subsequently, a few-shot learning strategy, based on prototypical networks, enables robust classification by constructing class representations from a minimal set of labelled images. Experimental results demonstrate that SimPhysNet achieves a classification accuracy of 96.06% using only 200 labelled images (approximately 5% of the total labelled dataset), which is comparable to the performance of conventional supervised learning algorithms that utilize the entire labelled dataset. This work presents a new, efficient, and highly accurate method, providing the way for the intelligent automation of laser welding.
Abstract（参考訳）: レーザ溶接の完全貫通は、欠陥のない溶接継手を実現するための基本的な要素の1つであるため、非常に重要である。したがって, 貫入状態の正確な予測は溶接品質の確保に不可欠である。そこで本研究では,少数のラベル付き画像のみを用いたレーザ溶接浸透予測において,高い分類精度を実現するアルゴリズムであるSimPhysNetを提案する。このアプローチは、広範囲で高品質なラベル付きデータに依存している産業アプリケーションにおいて妨げられている教師付き学習分類アルゴリズムの限界を効果的に克服する。 SimPhysNetの中核は独自の自己教師型学習パラダイムであり、物理的な事前を対照的な学習フレームワークに組み込む。物理インフォームドニューラルネットワーク(PINN)を組み込むことにより、3つの画像拡張タスクにより、その一般化能力をさらに強化しつつ、溶融プールとキーホールの物理的に意味のある特徴を多数の未ラベルデータから抽出する。その後、プロトタイプネットワークに基づく数発の学習戦略により、最小限のラベル付き画像からクラス表現を構築することにより、ロバストな分類が可能となる。実験結果からSimPhysNetは200個のラベル付き画像(全ラベル付きデータセットの約5%)を用いて96.06%の分類精度を達成しており、これはラベル付きデータセット全体を利用する従来の教師付き学習アルゴリズムのパフォーマンスに匹敵するものである。この研究は、レーザー溶接のインテリジェントな自動化のための新しい、効率的で、高精度な方法を示す。

関連論文リスト

A multi-task spatiotemporal deep neural network for predicting penetration depth and morphology in laser welding [5.363800671164204]
本稿では, 浸透状態, 深度, 海水形態を高精度に予測できる革新的な深層学習モデルを提案する。監視プラットフォームは、レーザ溶接プロセス中に捕獲された溶接画像に依存している。貫入状態の予測精度は99.35%に達し、貫入深さの予測誤差は1.79mmである。
論文参考訳（メタデータ） (2026-06-24T18:02:53Z)
Polaritonic Machine Learning for Graph-based Data Analysis [25.723282688367924]
フォトニックおよびポラトニックシステムは、物理ベースのコンピューティングを通じて機械学習(ML)を加速するための高速で効率的なプラットフォームを提供する。凝縮体の格子が、ポイントクラウドデータセットからのリレーショナルおよびトポロジカル情報を効率的に埋め込む方法を示す。この情報は、畳み込みニューラルネットワーク(CNN)に基づいたパターン認識ワークフローに組み込まれる。
論文参考訳（メタデータ） (2025-07-14T15:57:22Z)
Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
論文参考訳（メタデータ） (2025-06-20T00:17:14Z)
What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
論文参考訳（メタデータ） (2025-01-28T14:12:32Z)
Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
論文参考訳（メタデータ） (2024-11-19T01:01:56Z)
LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文参考訳（メタデータ） (2024-05-23T11:10:32Z)
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)
Low-power multi-mode fiber projector overcomes shallow neural networks classifiers [10.161703420607552]
マルチモード光ファイバは費用対効果が高く、扱いやすいツールである。我々はこれらのファイバーをランダムなハードウェアプロジェクタにキャストし、入力データセットを高次元のスペックル画像集合に変換する。その結果,標準伝送行列モデルより分類精度が高いことがわかった。
論文参考訳（メタデータ） (2022-10-10T14:55:02Z)
Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文参考訳（メタデータ） (2022-05-16T06:49:36Z)
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)
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。