PQTNet：用于增材制造聚合物材料零件中缺陷深度估计的像素级定量热断层神经网络
计算机视觉与模式识别
2026-02-04 v1
摘要
增材制造(AM)组件中缺陷深度定量化仍是非破坏性检测(NDT)中的重要挑战。本研究提出了一种像素级定量热断层神经网络(PQT-Net)，以解决针对聚合物酸解物(PLA)零件的此挑战。一种关键创新是一种新型数据增强策略，将热序列数据重构为二维条纹图像，保留每个像素的完整热扩散时间演化。PQT-Net架构集成了预训练的EfficientNetV2-S主干网络和一个带有可学习参数的自定义残差回归头(RRH)。对比实验表明，PQT-Net在其他深度学习模型中具有优越性，实现了最小平均绝对误差(MAE)为0.0094 mm，决定系数(R)超过99%。PQT-Net的高精度凸显了其在AM中实现稳健定量缺陷表征的潜力。
引用
@article{arxiv.2602.03314,
title = {PQTNet: Pixel-wise Quantitative Thermography Neural Network for Estimating Defect Depth in Polylactic Acid Parts by Additive Manufacturing},
author = {Lei Deng and Wenhao Huang and Chao Yang and Haoyuan Zheng and Yinbin Tian and Yue Ma},
journal= {arXiv preprint arXiv:2602.03314},
year = {2026}
}
备注
Under review