論文の概要: Event Cameras for Melt-Pool Monitoring in Additive Manufacturing: A Benchmark and a Cross-Machine Transfer Analysis

• arxiv url: http://arxiv.org/abs/2610.06973v1
• Date: Sat, 03 Oct 2026 23:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.485229
• Title: Event Cameras for Melt-Pool Monitoring in Additive Manufacturing: A Benchmark and a Cross-Machine Transfer Analysis
• Title（参考訳）: 追加製造におけるメルトプールモニタリングのためのイベントカメラ:ベンチマークとクロスマシントランスファー分析
• Abstract要約: イベントカメラはフルフレームを読む代わりに、マイクロ秒のタイミングでピクセル当たりの明るさが変化することを報告している。 金属-AM溶融プールモニタリングのためのマルチソース・シミュレート・イベント・カメラ・ベンチマークであるSynAM-Eを提案する。
• 参考スコア（独自算出の注目度）: 1.7942265700058986
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Melt-pool monitoring is central to qualifying metal additive manufacturing (AM), yet no public event-camera benchmark exists for this domain. Event cameras report per-pixel brightness changes with microsecond timing instead of reading full frames, giving the temporal resolution AM transients demand at a fraction of the data rate. We present SynAM-E (Synthetic AM Events), the first public multi-source simulated event-camera benchmark for metal-AM melt-pool monitoring: 85 physics-calibrated event shards from 15 sources across 8 institutions, with public baselines and fixed cross-machine evaluation splits. On a single-machine case study, event-spatial monitoring matches dense-frame accuracy (0.874 versus 0.863 macro-F1), and the absolute intensity that events discard adds only +0.006 under fusion. On the NIST Additive Manufacturing Metrology Testbed (AMMT) build, a near-sensor event-rate counter recovers a raw-frame-confirmed 528.7 Hz intensity oscillation at ~380 times less sensor readout than the frame stream requires. A compact 93 k-parameter spiking model runs at 15 times lower modeled inference energy for a 0.073 macro-F1 cost. Every cross-source task includes a built-in trust test against camera identity shortcuts: process-type classification passes while material classification remains confounded by camera band, a corpus-structural limitation the release documents and the trust test exposes.
• Abstract（参考訳）: メルトプールモニタリングは金属添加物製造(AM)の適格化の中心であるが、この領域にはパブリックなイベントカメラのベンチマークは存在しない。 イベントカメラは、フルフレームを読む代わりに、マイクロ秒のタイミングでピクセル当たりの明るさが変化し、時間分解能AMはデータレートのごく一部で需要を過渡させる。 今回,SynAM-E (Synthetic AM Events) について述べる。SynAM-Eは,金属-AMメルトプールモニタリングのための,最初のマルチソースシミュレーションイベントカメラベンチマークである。 単一マシンのケーススタディでは、イベント空間モニタリングは高密度フレームの精度(0.874対0.863マクロF1)と一致し、イベントが破棄される絶対強度は核融合下で+0.006のみとなる。 NIST Additive Manufacturing Metrology Testbed (AMMT) ビルドでは、ほぼセンサーのイベントレートカウンタが、フレームストリームの約380倍の精度で、原フレームで確認された528.7Hzの強度振動を回復する。 コンパクトな93kパラメータスパイキングモデルは、0.073マクロF1コストで15倍低いモデル推論エネルギーで実行される。 すべてのクロスソースタスクには、カメラアイデンティティショートカットに対する信頼テストが組み込まれている。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• CropCop: An Auditable 120-Class Plant-Health Model from Benchmark Reconstruction to a Quantised Runtime Artifact [0.0]
  本報告では,120のプラント・ヘルス・クラスにまたがるクローズド・セット認識システムであるCropCopについて述べる。 CropCopは、強力な漏洩制御された内部認識とソフトウェア実行時の忠実性を確立する。
  論文  参考訳（メタデータ） (2026-08-26T08:51:57Z)
• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• Clean-Reference Streaming Detection of Lens Occlusion and Photometric Transitions for Camera Tamper Monitoring [7.172756746172751]
  本稿では,低コストなセンサフォア署名のためのストリーミング整合性モニタについて検討する。 我々は、決定述語を形式化し、迅速明度抑制がシーン遷移経路を到達不能にする際の一貫性ルールを導出する。 この方法は、ユニバーサルカメラ・タンパー・タンパーではなく、監査可能なセンサ・ヘルス・サブシステムとして最もよく解釈される。
  論文  参考訳（メタデータ） (2026-07-16T09:45:19Z)
• Machine Learning Modeling for Real-Time Melt Pool Monitoring in Laser Powder Bed Fusion Additive Manufacturing: A Hybrid Approach [3.4293730040896246]
  本研究では,レーザー粉末層融合(LPBF)添加製造におけるリアルタイムモニタリングのための人工知能と機械学習(AI/ML)の実装について検討する。 NIST AMMTプラットフォーム上でNickel Superalloy 625から収集した1200枚の画像のバランスの取れたデータセットを用いて,正常および異常な溶融プール画像の識別を行うバイナリ画像分類フレームワークを開発した。 F1スコアは0.9451、精度は0.9458、AUCは0.9904で、F1スコアは1。
  論文  参考訳（メタデータ） (2026-06-22T18:38:29Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• No Dense Tensors Needed: Fully Sparse Object Detection on Event-Camera Voxel Grids [0.3823356975862005]
  イベントカメラは、小型で高速で動くドローンを検出するのに適した、非同期で高ダイナミックなストリームを生成する。 ほとんどの事象ベースの検出器はスパース事象ストリームを密度の高いテンソルに変換し、ニューロモルフィックセンシングの表現効率を放棄する。 SparseVoxelDetは,バックボーンの特徴抽出,ピラミッド融合,検出ヘッドがすべて占有されたボクセル位置のみで動作する,イベントカメラ用初の完全スパース物体検出器である。
  論文  参考訳（メタデータ） (2026-03-23T07:12:14Z)
• Inter-event Interval Microscopy for Event Cameras [52.05337480169517]
  イベントカメラは、革新的なバイオインスパイアされたセンサーであり、強度を直接知覚するのではなく、強度の変化を感知することで従来のカメラとは異なる。 蛍光顕微鏡における静的および動的シーンの静的なイベントカメラを用いたイベント・ツー・インテンシティ変換を実現する。 我々は,ハイダイナミックレンジや高速シナリオなど,様々な場面でIEIMatデータセットを収集した。
  論文  参考訳（メタデータ） (2025-04-07T11:05:13Z)
• Neuromorphic Seatbelt State Detection for In-Cabin Monitoring with Event Cameras [0.932065750652415]
  本研究は,シートベルト状態検出を含むイベントベースDMS技術を拡張するための概念実証を提供する。 二つの分類課題において, 実検体と実検体でF1スコアが0.989, 0.944と同定された。
  論文  参考訳（メタデータ） (2023-08-15T14:27:46Z)

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。