論文の概要: A Process-Informed, Photorealistic Digital Twin for Vision-Based Inline Inspection of C-SMC Strip Deposition

• arxiv url: http://arxiv.org/abs/2610.28050v1
• Date: Tue, 20 Oct 2026 11:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.782033
• Title: A Process-Informed, Photorealistic Digital Twin for Vision-Based Inline Inspection of C-SMC Strip Deposition
• Title（参考訳）: C-SMCストリップデポジションのインラインインスペクションのためのプロセスインフォーム・フォトリアリスティックディジタルツイン
• Abstract要約: 本研究は、炭素繊維SMCストリップ成膜のためのプロセスインフォームドフォトリアリスティックデジタルツインを提示する。 剛体シミュレーションは沈着キネマティクスを再現し、物理的に接地された偏光レンダリングモデルは現実的な外観を生み出す。 多くの重なり合うストリップの結合分布は解析的に特定できないため、シミュレーションは正確でスケーラブルな基底真理をもたらす。
• 参考スコア（独自算出の注目度）: 1.0390524310923779
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Inline quality assurance for Sheet Molding Compound (SMC) manufacturing is hindered by the lack of large-scale, accurately labeled image datasets for training machine-learning models. This work presents a process-informed, photorealistic digital twin for carbon-fiber SMC strip deposition. A rigid-body simulation reproduces the deposition kinematics (settling, friction, belt motion), while a physically grounded polarization-rendering model produces realistic appearance, so that every image carries exact, mutually consistent labels in synchronized formats: oriented bounding boxes, point annotations, density maps, and polarization renderings (Angle and Degree of Linear Polarization). Because the joint distribution of many overlapping strips cannot be specified analytically, simulation yields exact, scalable ground truth that manual annotation cannot provide. The twin produces over 16,000 images across 3,300 frames, and the synthetic data replicate near-isotropic fiber orientation (axial concentration r < 0.05) consistent with as-deposited commercial SMC. Trained purely on synthetic data, YOLOv11 and CSRNet reach detection mAP50 up to 0.91, with a dedicated oriented-bounding-box detector confirming the oriented labels are directly trainable (mAP50 = 0.83); on real manufacturing images, the synthetic-to-real difference in edge and texture structure (Kolmogorov-Smirnov distance 0.46, distribution overlap 0.56) is of the same magnitude as the difference between two real acquisition series of the same material (0.41, overlap 0.57). The approach substantially reduces the labeling burden for camera-based inline inspection of fiber orientation and volume content.
• Abstract（参考訳）: シート成形品(SMC)製造におけるインライン品質保証は、機械学習モデルをトレーニングするための大規模で正確にラベル付けされた画像データセットの欠如によって妨げられている。 本研究は、炭素繊維SMCストリップ成膜のためのプロセスインフォームドフォトリアリスティックデジタルツインを提示する。 剛体シミュレーションは、沈着キネマティクス(セッティング、摩擦、ベルト運動)を再現する一方、物理的に接地された偏光レンダリングモデルは現実的な外観を再現するので、すべての画像は、向き付けられた有界箱、点アノテーション、密度マップ、偏光レンダリング(線形偏光の角度と度合い)という、正確に相互に一貫したラベルを同期されたフォーマットで保持する。 多くの重なり合うストリップの結合分布を解析的に特定できないため、手動のアノテーションが提供できない正確でスケーラブルな基底真理が得られる。 ツインは3,300フレームに16,000枚以上の画像を生成し、合成データはアスポジションされた商用SMCと一致するほぼ等方性繊維配向(軸密度 r < 0.05)を再現する。 YOLOv11とCSRNetは純粋に合成データに基づいて訓練され、mAP50を最大0.91まで到達し、指向性ラベルが直接トレーニング可能であることを確認する専用指向バウンディングボックス検出器(mAP50 = 0.83)を備え、実際の製造画像では、エッジとテクスチャ構造の合成と実際の差(Kolmogorov-Smirnov 距離 0.46、分布重み 0.56)は、同一材料の2つの実取得系列(0.41、重なり 0.57)の差と同じ大きさである。 この手法により、カメラによる繊維配向と体積量のインライン検査におけるラベリング負担を大幅に低減する。

関連論文リスト

• IntrinSync: Joint Intrinsic Decomposition and Reciprocal Rendering [61.65995215688459]
  逆レンダリングは、画像を外見、照明、幾何学、材料といった固有の性質に分解する。 IntrinSyncは、共同チャネルモデリングと相互逆フォワードレンダリングにより、この相互依存をキャプチャする統合フレームワークである。
  論文  参考訳（メタデータ） (2026-10-08T03:05:47Z)
• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Real-Time Atomic-Resolution Electron Phase Imaging without Probe Calibration via Ptychography-Supervised Learning [0.29316801942271303]
  ここでは,4次元走査透過電子顕微鏡を取得対応の位相イメージングワークフローに変換する,ptychography-supervised local inference frameworkを提示する。 フルフィールド画像は、決定論的重複縫合によって組み立てられる。 ワークフローは、プローブ位置当たり約0.27msのオンラインレイテンシと、GPUアクセラレーションされたePIEよりも約1,000倍のスピードアップで、毎秒約20,000位置のスループットに達する。
  論文  参考訳（メタデータ） (2026-09-22T04:40:41Z)
• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• Toward Trustworthy Robot-Assisted Sliding Palpation for Shallow Vessel Localisation with a Calibrated Digital Twin [6.107762561002407]
  本稿では,キャリブレーションされたディジタルツインがラベル付き触覚シーケンスを生成するロボット支援型スライディング・パーパレーション・フレームワークを提案する。 シミュレーションマーカー軌跡に基づいてトレーニングされた時間グラフニューラルネットワークは、ノードごとの血管分類を行う。 シム,シリコーン,ミートの3つのデータセットを評価し,後者は船体モデルが0～30mmという名目深度を持つ生肉ファントムである。
  論文  参考訳（メタデータ） (2026-08-29T18:36:00Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• Component-Aware Structure-Preserving Style Transfer for Satellite Visual Sim2Real Data Construction [7.240627719297504]
  本稿では,衛星画像合成-実データ構築のための構造保存型転送フレームワークを提案する。 FIDは54.32、KIDは0.048である。
  論文  参考訳（メタデータ） (2026-05-19T10:01:17Z)
• Towards single-shot coherent imaging via overlap-free ptychography [0.0]
  本稿ではPtychoPINNを拡張し,Fresnelコヒーレント回折画像幾何を用いてアンフェバラップのない単発再構成を行う。 その結果は、Advanced Photon SourceとLinac Coherent Light Sourceの実験データに基づいて検証された。
  論文  参考訳（メタデータ） (2026-02-24T20:45:24Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)

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。