面向金属增材制造的质量评估视觉语言模型的上下文学习
计算机视觉与模式识别
2025-11-11 v1
摘要
视觉质量评估在增材制造中通常需要专用的机器学习模型和应用特定的数据集。然而，数据收集和模型训练往往昂贵且耗时。本文利用视觉语言模型（VLM）的推理能力来评估印刷件的质量，并引入上下文学习（ICL）为VLM提供必要的应用特定知识和示范样本。该方法消除了对大规模应用特定数据集进行模型训练的需求。我们探索了不同的ICL抽样策略，以寻找最佳配置，充分利用有限样本。我们在两个VLM上进行评估：Gemini-2.5-flash和Gemma3:27b，针对激光选区熔接过程中的质量评估任务。结果表明，ICL辅助的VLM在仅使用最小数量样本的情况下，达到了与传统机器学习模型相当的质量分类准确率。此外，与传统分类模型缺乏透明度不同，VLM可以生成人类可解读的论述，增强信任。由于目前没有度量标准来评估制造领域的可解释性，我们提出了两个度量标准：知识相关性和论述有效性，以评估VLM支持论述的质量。我们的结果表明，ICL辅助的VLM能够以有限数据解决特定应用任务，实现较高准确率，同时提供有效的支持论述，以提高决策透明度。
引用
@article{arxiv.2511.05551,
title = {In-Context-Learning-Assisted Quality Assessment Vision-Language Models for Metal Additive Manufacturing},
author = {Qiaojie Zheng and Jiucai Zhang and Xiaoli Zhang},
journal= {arXiv preprint arXiv:2511.05551},
year = {2025}
}
备注
8 pages, 8 figures