[論文レビュー] PQTNet: Pixel-wise Quantitative Thermography Neural Network for Estimating Defect Depth in Polylactic Acid Parts by Additive Manufacturing

Lei Deng, Wenhao Huang+4 more|arXiv (Cornell University)|Feb 3, 2026

Thermography and Photoacoustic Techniques被引用数 0

ひとこと要約

PQT-Net はピクセル単位のサーモグラフィーと新規データ増強を用いて、PLA部品の積層造形で欠陥深さを正確に推定し、高い精度と良好な適合を実現します。

ABSTRACT

Defect depth quantification in additively manufactured (AM) components remains a significant challenge for non-destructive testing (NDT). This study proposes a Pixel-wise Quantitative Thermography Neural Network (PQT-Net) to address this challenge for polylactic acid (PLA) parts. A key innovation is a novel data augmentation strategy that reconstructs thermal sequence data into two-dimensional stripe images, preserving the complete temporal evolution of heat diffusion for each pixel. The PQT-Net architecture incorporates a pre-trained EfficientNetV2-S backbone and a custom Residual Regression Head (RRH) with learnable parameters to refine outputs. Comparative experiments demonstrate the superiority of PQT-Net over other deep learning models, achieving a minimum Mean Absolute Error (MAE) of 0.0094 mm and a coefficient of determination (R) exceeding 99%. The high precision of PQT-Net underscores its potential for robust quantitative defect characterization in AM.

研究の動機と目的

• PLA部品の追加製造における非破壊的な欠陥深さの正確な定量化を動機づける。
• 熱シーケンスから深さ情報を回復するピクセル単位のサーモグラフィーベースのニューラルネットワークを開発する。
• 新規データ増強戦略を用いて各ピクセルの時間的拡散進化を完全に保持する。
• 事前学習済みのバックボーンとカスタム回帰ヘッドを活用して深さ予測を洗練する。

提案手法

• 熱拡散の時間発展を各ピクセルごとに保持する、二次元ストライプ画像へ再構成するデータ増強戦略を導入する。
• 特徴抽出バックボーンとして EfficientNetV2-S を採用する。
• 学習可能パラメータを持つカスタム Residual Regression Head (RRH) を付加して深さ出力を洗練する。
• 熱画像をピクセル単位の欠陥深さへエンドツーエンドで写像する。
• PQTr-Net を他の深層学習モデルと比較して性能向上を示す。

実験結果

リサーチクエスチョン

• RQ1 ピクセル単位のサーモグラフィーをストライプ画像として増強することで、PLA AM部品の欠陥深さを正確に回復できるか。
• RQ2 EfficientNetV2-S バックボーンと RRH を組み合わせた PQT-Net は、欠陥深さ推定の MAE と R^2 指標で他の深層モデルより優れているか。
• RQ3 対象タスクにおいて PQT-Net が達成する定量的な精度（MAE）と適合度（R^2）はどれくらいか。
• RQ4 提案されたデータ増強法は深さ推定のための時間的熱拡散情報保持にどれだけ効果的か。

主な発見

• PQT-Net の最小 MAE は 0.0094 mm。
• PQT-Net は R 値が 99% を超える。
• 比較実験により、PQT-Net はこのタスクに対して他の深層学習モデルより優れていることを示す。