論文の概要: Real-Time Wheel Detection and Rim Classification in Automotive Production

• arxiv url: http://arxiv.org/abs/2304.06560v1
• Date: Thu, 13 Apr 2023 14:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 14:18:19.302426
• Title: Real-Time Wheel Detection and Rim Classification in Automotive Production
• Title（参考訳）: 自動車生産におけるリアルタイムホイール検出とリム分類
• Authors: Roman Stanek, Tomas Kerepecky, Adam Novozamsky, Filip Sroubek, Barbara Zitova, Jan Flusser
• Abstract要約: 本稿では,従来のコンピュータビジョンとディープラーニング技術を組み合わせたリアルタイムの自動リム検出・分類・検査手法を提案する。 我々はCWD1500, WHEEL22, RB600の3つのオープンソースデータベースについて, 車輪, リム, ボルト検出, および, 科学的目的で自由に利用できる分類リムについて述べる。
• 参考スコア（独自算出の注目度）: 9.207644534257543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel approach to real-time automatic rim detection, classification, and inspection by combining traditional computer vision and deep learning techniques. At the end of every automotive assembly line, a quality control process is carried out to identify any potential defects in the produced cars. Common yet hazardous defects are related, for example, to incorrectly mounted rims. Routine inspections are mostly conducted by human workers that are negatively affected by factors such as fatigue or distraction. We have designed a new prototype to validate whether all four wheels on a single car match in size and type. Additionally, we present three comprehensive open-source databases, CWD1500, WHEEL22, and RB600, for wheel, rim, and bolt detection, as well as rim classification, which are free-to-use for scientific purposes.
• Abstract（参考訳）: 本稿では,従来のコンピュータビジョンとディープラーニング技術を組み合わせたリアルタイムの自動リム検出・分類・検査手法を提案する。 各自動車組立ラインの最後には、製造車両の潜在的な欠陥を特定するための品質管理プロセスが実行される。 一般的なが危険な欠陥は、例えば、誤って装着されたリムに関係している。 日常的な検査は主に、疲労や気晴らしなどの要因によって悪影響を受ける人間の作業員によって行われる。 我々は1台の車の四輪が大きさとタイプで一致しているかどうかを検証する新しいプロトタイプを設計した。 さらに,車輪,リム,ボルト検出のためのCWD1500,WHEEL22,RB600の3つの総合的なオープンソースデータベースと,科学的目的に使用可能なリム分類を提案する。

関連論文リスト

• Automated Pavement Cracks Detection and Classification Using Deep Learning [3.7078234026046877]
  本稿では, 道路舗装の亀裂の検出と分類を, 有名なYou Only Look Once (YOLO) バージョン5 (YOLOv5) とバージョン8 (YOLOv8) のアルゴリズムを用いて行う手法を提案する。 実験結果から, 照明条件と画像サイズが異なる場合, 舗装き裂検出精度は67.3%に達することがわかった。
  論文  参考訳（メタデータ） (2024-06-11T19:47:41Z)
• A Large-Scale Car Parts (LSCP) Dataset for Lightweight Fine-Grained Detection [0.23020018305241333]
  本稿では,12種類の自動車部品を検出するため,84,162枚の画像からなる大規模できめ細かな自動車データセットを提案する。 手動アノテーションの負担を軽減するため,新しい半教師付き自動ラベリング手法を提案する。 また,ゼロショットラベリングにおけるグラウンディングDINOアプローチの限界についても検討する。
  論文  参考訳（メタデータ） (2023-11-20T13:30:42Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Image-Based Vehicle Classification by Synergizing Features from Supervised and Self-Supervised Learning Paradigms [0.913755431537592]
  車両画像の表現学習において,DINOとData2vecの2つの最先端自己教師型学習手法を評価し,比較した。 これらの自己教師型学習法から得られた表現は,車種分類タスクの車輪位置特徴と組み合わせた。 我々の車輪マスキング戦略と整合したデータ2vec蒸留表現は,DINOよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-01T18:22:23Z)
• Automated Reinforcement Learning (AutoRL): A Survey and Open Problems [92.73407630874841]
  AutoRL(Automated Reinforcement Learning)には、AutoMLの標準的なアプリケーションだけでなく、RL特有の課題も含まれている。 我々は共通の分類法を提供し、各領域を詳細に議論し、今後の研究者にとって関心のあるオープンな問題を提起する。
  論文  参考訳（メタデータ） (2022-01-11T12:41:43Z)
• Utilizing Active Machine Learning for Quality Assurance: A Case Study of Virtual Car Renderings in the Automotive Industry [0.0]
  本稿では,不良な仮想車のレンダリングを識別するためにラベル付きインスタンスを著しく少なくする,アクティブな機械学習ベースの品質保証システムを提案する。 このシステムをドイツの自動車メーカーに導入することにより、スタートアップの難しさを克服し、検査プロセスの効率を向上し、経済的優位性を実現することができる。
  論文  参考訳（メタデータ） (2021-10-18T05:43:06Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Robust Two-Stream Multi-Feature Network for Driver Drowsiness Detection [16.474150429342153]
  NTHU-DDD(Nation Tsing Hua University Driver Drowsiness Detection)による眠気検知システムの訓練と評価 94.46%の精度が得られ、既存の疲労検出モデルよりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T08:49:35Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。