日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

溶接ロボット/セグメンテーションarXiv:2607.06150

建設現場の自動溶接ロボット向け転移学習によるシーム分割精度向上:BiSeNetV2の限界克服

Enhanced Seam Segmentation for Automated Welding Robot in Construction Through Transfer Learning: Addressing Limitations of Bilateral Segmentation Network

シェア:XThreadsFacebookLINEはてブBluesky

反射や照明変動に弱い溶接シーム分割を、転移学習とハイブリッド損失関数で改善し、軽量なまま高精度を実現した。

詳しい要約

1. どんなもの?

本研究は、建設現場の自動溶接ロボット向けに、反射の影響を受けにくいシーム(溶接線)セグメンテーションフレームワークを提案する。BiSeNetV2をバックボーンとし、転移学習とハイブリッドなCross-Entropy--Lovász損失を用いて、反射や厳しい照明下でのセグメンテーション性能を向上させる。アーキテクチャの複雑さを増やさずに、学習安定性を重視した最適化により反射ロバスト性を高める点が特徴。

2. 先行研究と比べてどこがすごい?

従来のBiSeNetV2ベースのセグメンテーションは、反射や薄い溶接形状で性能が低下する。提案手法は、OHEMベースのベースラインと比較して、Joint IoUを+22.36ポイント向上させ、同一のFLOPs、パラメータ数、推論速度を維持する。また、反射条件下での深刻なzero-IoU失敗ケースの96.33%を回復する。アーキテクチャを複雑化せずに最適化戦略のみで改善を達成している点が優れている。

3. 技術・手法の肝は?

手法の肝は、BiSeNetV2のバックボーンに転移学習を適用し、損失関数としてCross-Entropy損失とLovász損失をハイブリッドに組み合わせること。これにより、学習の安定性を重視した最適化を行い、反射に対するロバスト性を向上させる。アーキテクチャの変更は行わず、損失関数と学習戦略の改善に焦点を当てている。

4. どうやって有効だと検証した?

実験では、提案手法が81.76%のJoint IoUと90.73%のmIoUを達成し、OHEMベースのベースラインと比較してJoint IoUを+22.36ポイント改善した。また、反射条件下での深刻なzero-IoU失敗ケースの96.33%を回復した。さらに、BiSeNetV2、DeepLabV3+、UNet、SegFormerとの比較実験を行い、提案の最適化戦略が軽量リアルタイムセグメンテーションアーキテクチャに特に有効であることを示した。定性的分析でも、溶接環境でのシームの連続性と反射ロバスト性の改善が確認された。

5. 議論はある?

要旨からは、提案手法が軽量リアルタイムアーキテクチャに特に有効であることが示唆されるが、他のアーキテクチャへの適用可能性や、より複雑なシーンでの性能については不明。また、反射以外の環境要因(例えば、煙や粉塵)に対するロバスト性や、実ロボットへの統合時の性能については言及されていない。

6. 次に読むべき論文は?

要旨で参照されている比較対象として、BiSeNetV2、DeepLabV3+、UNet、SegFormerが挙げられる。また、OHEMベースのベースラインも関連する。次に読むべき論文としては、これらのアーキテクチャの元論文や、セグメンテーションにおける損失関数の改善に関する研究が考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Keonvin Park, Yong Ann Voeurn, Hyeokjun Kweon, Doyun Lee

分類: cs.CV, cs.LG

原文アブストラクト

Reliable seam segmentation is essential for autonomous robotic welding in construction, where harsh illumination, specular reflections, and thin weld geometries often degrade segmentation performance. This study proposes a reflection-robust seam segmentation framework that enhances a BiSeNetV2 backbone through transfer learning and a hybrid Cross-Entropy--Lovász loss. Rather than increasing architectural complexity, the proposed framework improves reflection robustness through learning-stability-oriented optimization. Experimental results show that the proposed method achieves 81.76\% Joint IoU and 90.73\% mIoU, improving Joint IoU by +22.36 percentage points over the OHEM-based baseline while maintaining identical FLOPs, parameter count, and inference speed. The proposed approach also recovers 96.33\% of severe zero-IoU failure cases under reflective conditions. Comparative experiments across BiSeNetV2, DeepLabV3+, UNet, and SegFormer further demonstrate that the proposed optimization strategy is particularly effective for lightweight real-time segmentation architectures. Qualitative analyses additionally show improved seam continuity and reflection robustness in challenging welding environments. These findings suggest that the proposed framework provides a practical and lightweight perception solution for robotic welding applications involving reflective metallic surfaces.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2Google DeepMind、ロボット向けAIを発表新製品・発表
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  5. 5SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI