論文の概要: LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray
Image
- arxiv url: http://arxiv.org/abs/2110.15045v1
- Date: Thu, 28 Oct 2021 12:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 01:49:36.743204
- Title: LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray
Image
- Title(参考訳): LF-YOLO:X線画像の溶接欠陥検出のための軽量で高速なYOLO
- Authors: Moyun Liu, Youping Chen, Lei He, Yang Zhang, Jingming Xie
- Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づく溶接欠陥検出手法,すなわちLighter and Faster YOLO(LF-YOLO)を提案する。
検出ネットワークの性能向上のために,効率的な特徴抽出(EFE)モジュールを提案する。
その結果, 溶接欠陥ネットワークは性能と消費のバランスが良好であり, 61.5 FPSの92.9 mAP50に達することがわかった。
- 参考スコア(独自算出の注目度): 7.970559381165446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: X-ray image plays an important role in manufacturing for quality assurance,
because it can reflect the internal condition of weld region. However, the
shape and scale of different defect types vary greatly, which makes it
challenging for model to detect weld defects. In this paper, we propose a weld
defect detection method based on convolution neural network (CNN), namely
Lighter and Faster YOLO (LF-YOLO). In particularly, an enhanced multiscale
feature (EMF) module is designed to implement both parameter-based and
parameter-free multi-scale information extracting operation. EMF enables the
extracted feature map capable to represent more plentiful information, which is
achieved by superior hierarchical fusion structure. To improve the performance
of detection network, we propose an efficient feature extraction (EFE) module.
EFE processes input data with extremely low consumption, and improve the
practicability of whole network in actual industry. Experimental results show
that our weld defect network achieves satisfactory balance between performance
and consumption, and reaches 92.9 mAP50 with 61.5 FPS. To further prove the
ability of our method, we test it on public dataset MS COCO, and the results
show that our LF-YOLO has a outstanding versatility detection performance. The
code is available at https://github.com/lmomoy/LF-YOLO.
- Abstract(参考訳): X線画像は溶接部の内部状態を反映できるため,品質保証のための製造において重要な役割を担っている。
しかし、異なる欠陥の種類の形状と規模は大きく異なり、モデルが溶接欠陥を検出することは困難である。
本稿では,畳み込みニューラルネットワーク(CNN)に基づく溶接欠陥検出手法,すなわちLighter and Faster YOLO(LF-YOLO)を提案する。
特に、拡張マルチスケール機能(EMF)モジュールは、パラメータベースおよびパラメータフリーなマルチスケール情報抽出操作を実装するように設計されている。
emfは、優れた階層的融合構造によって達成される、より豊富な情報を表現できる抽出された特徴マップを可能にする。
検出ネットワークの性能向上のために,効率的な特徴抽出(EFE)モジュールを提案する。
EFEは入力データを極めて少ない消費で処理し、実際の産業におけるネットワーク全体の実践性を向上させる。
実験の結果, 溶接欠陥ネットワークは性能と消費のバランスが良好であり, 61.5fpsで92.9 map50に達した。
提案手法の有効性をさらに証明するため, 公開データセットMS COCOを用いてテストを行い, LF-YOLOは優れた汎用性検出性能を有することを示した。
コードはhttps://github.com/lmomoy/LF-YOLOで公開されている。
関連論文リスト
- Joint Attention-Guided Feature Fusion Network for Saliency Detection of
Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。
JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。
SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文 参考訳(メタデータ) (2024-02-05T08:10:16Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳(メタデータ) (2023-10-21T12:07:04Z) - UNIQA: A Unified Framework for Both Full-Reference and No-Reference
Image Quality Assessment [53.895598734070695]
完全参照(FR)と非参照(NR)のIQAのための統一ネットワークを提案する。
入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層自己認識(HSA)モジュールを提案する。
HSA と CSCA を採用することにより,提案ネットワークは FR と NR IQA の両方を効果的に実行することができる。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - DANet: Enhancing Small Object Detection through an Efficient Deformable
Attention Network [0.0]
我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。
より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。
変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
論文 参考訳(メタデータ) (2023-10-09T14:54:37Z) - MLF-DET: Multi-Level Fusion for Cross-Modal 3D Object Detection [54.52102265418295]
MLF-DETと呼ばれる,高性能なクロスモーダル3DオブジェクトDrectionのための,新規かつ効果的なマルチレベルフュージョンネットワークを提案する。
特徴レベルの融合では、マルチスケールのボクセル特徴と画像の特徴を密集したマルチスケールのボクセル画像融合(MVI)モジュールを提示する。
本稿では,画像のセマンティクスを利用して検出候補の信頼度を補正するFCR(Feature-cued Confidence Rectification)モジュールを提案する。
論文 参考訳(メタデータ) (2023-07-18T11:26:02Z) - Lightweight wood panel defect detection method incorporating attention
mechanism and feature fusion network [9.775181958901326]
本稿では,注目機構と特徴融合ネットワークを組み込んだYOLOv5-LWという軽量な木材パネル欠陥検出手法を提案する。
提案手法は92.8%の精度でパラメータ数を27.78%削減し,計算量を41.25%圧縮し,検出速度を10.16%向上させる。
論文 参考訳(メタデータ) (2023-06-21T08:55:45Z) - Efficient Image Super-Resolution with Feature Interaction Weighted
Hybrid Network [100.0415874554937]
本稿では、上記の問題を緩和する特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
具体的には、FIWHNは、バックボーンとしてのWDIB(Wide-Residual Distillation Interaction Blocks)のシリーズで構成されている。
CNNモデルに欠けているグローバル機能を補完するため、我々のモデルにTransformerを導入し、CNNとTransformerを組み合わせた新しい方法を模索した。
論文 参考訳(メタデータ) (2022-12-29T05:57:29Z) - SuperYOLO: Super Resolution Assisted Object Detection in Multimodal
Remote Sensing Imagery [36.216230299131404]
マルチモーダルデータを融合し,マルチスケールオブジェクトに対して高分解能(HR)オブジェクト検出を行うSuperYOLOを提案する。
提案モデルでは,最先端モデルと比較して,精度と速度のトレードオフが良好である。
論文 参考訳(メタデータ) (2022-09-27T12:58:58Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z) - BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell
Defect Detection [7.151552353494974]
本稿では,マルチスケール機能融合を実現するため,注意に基づくトップダウン・ボトムアップアーキテクチャを開発した。
高速RCNN+FPNの領域提案ネットワーク(RPN)にBAFPNを組み込んだ新しい物体検出器BAF-Detectorが提案されている。
3629個の画像と2129個の欠陥を含む大規模ELデータセットの実験結果から,提案手法は98.70%(F測定),88.07%(mAP),73.29%(IoU)のマルチスケール欠陥分類を達成した。
論文 参考訳(メタデータ) (2020-12-19T08:48:14Z)
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。