論文の概要: A Synthetic 3D Gear Dataset for Manufacturing Quality Inspection (MFGNet-Gear)

• arxiv url: http://arxiv.org/abs/2607.16288v1
• Date: Sat, 11 Jul 2026 22:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.088852
• Title: A Synthetic 3D Gear Dataset for Manufacturing Quality Inspection (MFGNet-Gear)
• Title（参考訳）: 製造品質検査のための合成3次元歯車データセット(MFGNet-Gear)
• Abstract要約: スマートマニュファクチャリングの品質管理は、製造部品の検査を自動化するためにデータ駆動手法、特にディープラーニングにますます依存している。 ポイントクラウドベースのインスペクションのためのディープラーニング手法は、部品設計と欠陥タイプをカバーする大量のラベル付きデータを必要とする。 この記事では、MFGNet-Gearについて説明する。MFGNet-Gearは、12のギアデザインと4つの品質クラスにわたる24,000のペアメッシュとポイントクラウドからなる、公開可能な3Dデータセットである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quality control in smart manufacturing increasingly relies on data-driven methods, particularly deep learning, to automate the inspection of manufactured parts. Recent advances in three-dimensional (3D) metrology have enabled fine-scale assessment of dimensional accuracy, surface quality, and shape conformity. However, deep learning methods for point-cloud-based inspection require large volumes of labeled data covering part designs and defect types, which are costly and time-consuming to obtain. Moreover, defective parts are intrinsically rare in mass production, and the resulting class imbalance can degrade model performance and make rare defect types difficult to detect. Synthetic data generation (SDG) offers a promising approach to address these challenges by producing large, balanced, and fully annotated datasets. Yet, applying SDG to precision components requires representing part geometry and defect morphology parametrically, so that design and quality can be co-varied. This article describes MFGNet-Gear, a publicly available synthetic 3D dataset comprising 24,000 paired polygon meshes and point clouds across 12 gear designs and 4 quality classes, with 500 instances per design-quality combination. Gear geometries are generated with parametric computer-aided design software, with dimensional parameters perturbed by $\pm$0.0254 mm and defect parameters sampled from distributions representing defect morphologies. For each mesh, 100,000 points are uniformly sampled using Open3D and stored as N $\times$ 3 coordinate text files. Metadata labels identify the gear design and quality class, supporting part design classification, geometric defect detection, representation learning, and dataset benchmarking. MFGNet-Gear provides an open-source dataset for deep learning-based 3D metrology, with a reproducible generation pipeline extensible to additional part designs.
• Abstract（参考訳）: スマートマニュファクチャリングの品質管理は、製造部品の検査を自動化するためにデータ駆動手法、特にディープラーニングにますます依存している。 近年の3次元メソロジーの進歩により, 次元精度, 表面品質, 形状整合性の微視的評価が可能となった。 しかし、ポイントクラウドベースの検査のためのディープラーニング手法では、部品設計と欠陥タイプをカバーする大量のラベル付きデータを必要とするため、コストがかかり、取得に時間がかかる。 さらに, 大量生産において欠陥部は本質的には稀であり, 結果として生じるクラス不均衡はモデル性能を低下させ, 稀な欠陥タイプの検出を困難にする。 合成データ生成(SDG)は、大きく、バランスよく、完全に注釈付けされたデータセットを生成することによって、これらの課題に対処するための有望なアプローチを提供する。 しかし、SDGを精密成分に適用するには、部品形状と欠陥形態をパラメトリックに表現する必要がある。 この記事では、MFGNet-Gearについて説明する。MFGNet-Gearは、12のギアデザインと4つの品質クラスにわたる24,000のペアのポリゴンメッシュとポイントクラウドからなる、公開可能な3Dデータセットである。 歯車幾何学はパラメトリックなコンピュータ支援設計ソフトウェアで生成され、次元パラメータは$$$$0.0254 mm、欠陥パラメータは欠陥形態を表す分布からサンプリングされる。 各メッシュに対して、10万のポイントがOpen3Dを使用して一様にサンプリングされ、N$\times$3のコーディネートテキストファイルとして保存される。 メタデータラベルは、ギア設計と品質クラスを特定し、部品設計の分類、幾何学的欠陥検出、表現学習、およびデータセットベンチマークをサポートする。 MFGNet-Gearはディープラーニングベースの3Dメソロジーのためのオープンソースのデータセットを提供する。

関連論文リスト

• 3DGSI-Assessor: A Large-Scale Dataset and An LMM-based Method for 3D Gaussian Splatting Image Quality Assessment [56.721866312037065]
  圧縮3DGSのための大規模多次元IQAデータセットである3DGS-IEval-15K+を提案する。 3DGS-IEval-15K+に基づいて,オールインワンの3DGS IQAフレームワークである3DGSI-Assessorを提案する。
  論文  参考訳（メタデータ） (2026-08-04T07:53:14Z)
• Articulating then Matching: Zero-Shot Shape Matching for Uncurated Data [0.5014513738509991]
  3次元形状間の密接な対応を見つけることは、特に現実世界の環境では、基本的な問題であるが未解決の課題である。 ATMは、通信特化訓練を必要とせず、これらの問題を一度に堅牢に解決するフレームワークである。
  論文  参考訳（メタデータ） (2026-06-28T03:05:46Z)
• Synthesis4AD: Synthetic Anomalies are All You Need for 3D Anomaly Detection [15.861019312971443]
  大規模かつ高忠実な合成異常を利用して3次元異常検出のためのより識別的な表現を学習するエンド・ツー・エンドのパラダイムを提案する。 Synthesis4ADのコアとなる3D-DefectStudioは、制御可能な合成エンジンMPAS上に構築されたソフトウェアプラットフォームである。 本稿では,Real3D-AD,MulSen-AD,および実世界の産業部品データセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2026-04-06T13:13:49Z)
• Synthetic Defect Geometries of Cast Metal Objects Modeled via 2d Voronoi Tessellations [0.10195618602298682]
  非破壊検査(NDT)法は, 検査中に対象物の機能に影響を及ぼさないため, 品質管理には欠陥検出が不可欠である。 十分な量及び品質のトレーニングデータを提供することにより、合成データを使用することが可能であり、ルールベースのアプローチにより、制御可能な環境で合成データを生成することができる。
  論文  参考訳（メタデータ） (2026-02-05T08:28:44Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Hybrid Machine Learning Framework for Predicting Geometric Deviations from 3D Surface Metrology [0.46085106405479537]
  本稿では,高分解能な3Dスキャナーを用いて,異なるバッチで生成された237個のコンポーネントから多角面データを取得する手法を提案する。 データは正確なアライメント、ノイズ低減、マージによって処理され、正確な3D表現を生成する。 提案手法は,従来の統計的プロセス制御法よりも73%向上し,95%信頼度で0.012mmの予測精度を達成した。
  論文  参考訳（メタデータ） (2025-08-09T05:59:35Z)
• On Geometry-Enhanced Parameter-Efficient Fine-Tuning for 3D Scene Segmentation [52.96632954620623]
  本稿では3Dポイント・クラウド・トランス用に設計された新しい幾何対応PEFTモジュールを提案する。 当社のアプローチでは,大規模3Dポイントクラウドモデルの効率的,スケーラブル,かつ幾何を考慮した微調整のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-05-28T15:08:36Z)
• Step1X-3D: Towards High-Fidelity and Controllable Generation of Textured 3D Assets [90.99212668875971]
  Step1X-3Dは、データの不足、アルゴリズムの制限、エコシステムの断片化といった課題に対処するオープンフレームワークである。 拡散型テクスチャ合成モジュールとハイブリッドVAE-DiTジオメトリジェネレータを組み合わせた2段階の3Dネイティブアーキテクチャを提案する。 ベンチマークの結果は、既存のオープンソースメソッドを超える最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-05-12T16:56:30Z)
• 3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces [2.5524809198548137]
  本稿では, 複雑な製造部品の3次元点雲データに基づく非訓練型異常検出手法を提案する。 提案手法では,入力サンプルを異なる方向に沿って2組のプロファイルに変換する。 各成分において、類似した形状の性質を持つ別のプロファイルの集合は、ローランク行列としてモデル化することができる。
  論文  参考訳（メタデータ） (2024-04-11T13:46:05Z)
• GMS-3DQA: Projection-based Grid Mini-patch Sampling for 3D Model Quality Assessment [82.93561866101604]
  従来のプロジェクションに基づく3DQA手法は,複数プロジェクションから特徴を直接抽出して品質予測精度を確保する。 我々は,Non-Reference (NR) projection-based textitunderlineGrid underlineMini-patch underlineSampling underline3D Model underlineQuality underlineAssessment (GMS-3DQA)法を提案する。 提案されたGMS-3DQAは、他の3Dよりもはるかに少ない計算資源と推論時間を必要とする
  論文  参考訳（メタデータ） (2023-06-09T03:53:12Z)
• Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
  この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。 本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。 本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T13:14:24Z)

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。