論文の概要: Robust Online Aero-Engine Blade Defect Detection via Dual-Alignment Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2610.00067v1
• Date: Fri, 04 Sep 2026 17:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.343885
• Title: Robust Online Aero-Engine Blade Defect Detection via Dual-Alignment Test-Time Adaptation
• Title（参考訳）: デュアルアライメントテスト時間適応によるロバストオンラインエアロエンジンブレード欠陥検出
• Abstract要約: エアロエンジンのブレード画像は、通常スパース欠陥を含んでおり、ノイズや不足した予測に対して、擬似ラベルベースの適応を脆弱にする。 本研究では,テスト時間適応に基づくオンライン適応検出フレームワークであるAero-Engine Blade Defect Detectorを提案する。 実験によると、ABDDはドメインシフトによる検出を継続的に改善し、その堅牢性は産業検査プラットフォームでさらに検証されている。
• 参考スコア（独自算出の注目度）: 10.025523916792851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable visual inspection is essential for quality assurance in aero-engine blade manufacturing, where defect appearance may vary across production lines, imaging conditions, blade poses, and surface backgrounds. Such domain shifts cause a mismatch between training and deployment data and degrade the reliability of deep defect detectors in online inspection. This problem is particularly challenging because aero-engine blade images usually contain sparse defects, making pseudolabel-based adaptation vulnerable to noisy or missing predictions. To address this issue, we propose Aero-engine Blade Defect Detector (ABDD), an online adaptive detection framework based on test-time adaptation. ABDD introduces a Dual-Alignment Strategy to jointly adapt global visual style and local defect morphology by combining feature-statistics alignment with pseudo-box alignment. To reduce error accumulation from unreliable pseudo labels, an Uncertainty-aware Box Filtering mechanism evaluates pseudo boxes using classification confidence, classification entropy, and localization entropy. In addition, a lightweight Sparse Dilated Mona module enables parameter-efficient delta tuning while limiting source-domain forgetting. ABDD is evaluated on CD-AeBD and HD-AeBD under multiple domain-shift scenarios, with TTA strategies compared under a unified RT-DETR + Swin-T architecture. Experiments show that ABDD consistently improves detection robustness under domain shifts, and its practicality is further validated on an industrial inspection platform.
• Abstract（参考訳）: 信頼性の高い視覚検査は、製造ライン、撮像条件、ブレードポーズ、および表面の背景に欠陥が生じる航空機エンジンのブレード製造における品質保証に不可欠である。 このようなドメインシフトは、トレーニングデータとデプロイメントデータの間にミスマッチを引き起こし、オンライン検査における深い欠陥検出の信頼性を低下させる。 この問題は、エアロエンジンのブレード画像には通常スパース欠陥が含まれており、偽ラベルベースの適応がノイズや不足した予測に弱いため、特に困難である。 この問題に対処するため,テスト時間適応に基づくオンライン適応検出フレームワークであるABDD(Aero-Engine Blade Defect Detector)を提案する。 ABDDでは、機能統計アライメントと擬似ボックスアライメントを組み合わせることで、グローバルな視覚スタイルと局所的な欠陥形態を共同で適応する、デュアルアライメント戦略を導入している。 信頼できない擬似ラベルからの誤り蓄積を低減するため、不確かさを意識したボックスフィルタリング機構は、分類信頼度、分類エントロピー、局所化エントロピーを用いて擬似ボックスを評価する。 さらに、軽量なスパース拡張モナモジュールは、パラメータ効率の良いデルタチューニングを可能にし、ソースドメインの忘れを制限している。 ABDDは複数のドメインシフトシナリオでCD-AeBDとHD-AeBDで評価され、RT-DETR + Swin-Tアーキテクチャで比較される。 実験によると、ABDDはドメインシフト下でのロバスト性の検出を一貫して改善し、その実用性は産業検査プラットフォームでさらに検証されている。

関連論文リスト

• Towards Active Real-to-Twin Inspection: A New Paradigm for Zero-Shot Anomaly Detection [15.402355513558541]
  本稿では,幾何学的に整合したCADデジタル双対に対する物理観測を直接評価する新しいタスクであるReal-to-Twin Anomaly Detectionを紹介する。 本稿では,リアルツインとデジタルツイン間のロバストなセマンティックアライメントを学習するためのフレームワークであるAVATARを提案する。 欠陥のないペアのみを使用して、良質なSim2Realドメインギャップをブリッジすることで、AVATARはCADプリエントを動的で異常のない参照に変換する。
  論文  参考訳（メタデータ） (2026-05-25T04:05:25Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis [16.74245445257004]
  我々は,新しい数発の異常画像生成フレームワークであるGroundingAnomalyを提案する。 本フレームワークでは,画素ごとのセマンティックマップを活用する空間条件モジュールを導入している。 Gated Self-Attention Moduleは、凍結したU-Netに条件付きトークンを注入するように設計されている。
  論文  参考訳（メタデータ） (2026-04-09T14:34:50Z)
• Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
  オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。 本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。 高いID分類性能を維持しながら強力なOOD検出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T04:00:57Z)
• VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
  VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。 VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。 そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
  論文  参考訳（メタデータ） (2026-01-28T18:30:48Z)
• Patch-aware Vector Quantized Codebook Learning for Unsupervised Visual Defect Detection [4.081433571732692]
  産業応用においては、教師なしの視覚欠陥検出が重要である。 教師なし欠陥検出に最適化された拡張VQ-VAEフレームワークを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-15T22:26:26Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)

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。