論文の概要: YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images

• arxiv url: http://arxiv.org/abs/2407.15427v1
• Date: Mon, 22 Jul 2024 07:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 15:50:49.969672
• Title: YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images
• Title（参考訳）: YOLO-pdd:シークエンシャル画像を用いた深部表現を用いたマルチスケールPCB欠陥検出手法
• Authors: Bowen Liu, Dongjie Chen, Xiao Qi,
• Abstract要約: 本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。 本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。 大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
• 参考スコア（独自算出の注目度）: 7.368447690189973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of the PCB manufacturing industry, there is an increasing demand for computer vision inspection to detect defects during production. Improving the accuracy and generalization of PCB defect detection models remains a significant challenge. This paper proposes a high-precision, robust, and real-time end-to-end method for PCB defect detection based on deep Convolutional Neural Networks (CNN). Traditional methods often suffer from low accuracy and limited applicability. We propose a novel approach combining YOLOv5 and multiscale modules for hierarchical residual-like connections. In PCB defect detection, noise can confuse the background and small targets. The YOLOv5 model provides a strong foundation with its real-time processing and accurate object detection capabilities. The multi-scale module extends traditional approaches by incorporating hierarchical residual-like connections within a single block, enabling multiscale feature extraction. This plug-and-play module significantly enhances performance by extracting features at multiple scales and levels, which are useful for identifying defects of varying sizes and complexities. Our multi-scale architecture integrates feature extraction, defect localization, and classification into a unified network. Experiments on a large-scale PCB dataset demonstrate significant improvements in precision, recall, and F1-score compared to existing methods. This work advances computer vision inspection for PCB defect detection, providing a reliable solution for high-precision, robust, real-time, and domain-adaptive defect detection in the PCB manufacturing industry.
• Abstract（参考訳）: PCB製造産業の急速な成長に伴い、生産中の欠陥を検出するコンピュータビジョン検査の需要が高まっている。 PCB欠陥検出モデルの精度と一般化は依然として大きな課題である。 本稿では,Deep Convolutional Neural Networks(CNN)に基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。 伝統的な手法は、しばしば低い精度と限られた適用性に悩まされる。 本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。 PCB欠陥検出では、ノイズは背景と小さなターゲットを混乱させる。 YOLOv5モデルは、リアルタイム処理と正確なオブジェクト検出機能を備えた強力な基盤を提供する。 マルチスケールモジュールは、階層的残差のような接続を単一のブロックに組み込むことで、従来のアプローチを拡張し、マルチスケールの特徴抽出を可能にする。 このプラグイン・アンド・プレイ・モジュールは、様々な大きさと複雑さの欠陥を特定するのに有用な複数のスケールとレベルの特徴を抽出することで、性能を著しく向上させる。 我々のマルチスケールアーキテクチャは、特徴抽出、欠陥ローカライゼーション、および分類を統合ネットワークに統合する。 大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。 この研究はPCBの欠陥検出のためのコンピュータビジョン検査を推進し、PCB製造業界における高精度、堅牢、リアルタイム、ドメイン適応欠陥検出のための信頼性の高いソリューションを提供する。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor Defect Classification and Segmentation [0.11999555634662631]
  この研究は拡散モデルを用いて半導体欠陥パターンを正確に検出し、正確にセグメント化する最初の実演である。 提案手法は,mAP全体のこれまでの成果よりも優れており,ほぼすべての欠陥クラスに対して比較的優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-17T17:53:36Z)
• 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)
• PCBDet: An Efficient Deep Neural Network Object Detection Architecture for Automatic PCB Component Detection on the Edge [48.7576911714538]
  PCBDetは、最先端の推論スループットを提供するアテンションコンデンサネットワーク設計である。 他の最先端のアーキテクチャ設計に比べて優れたPCBコンポーネント検出性能を実現している。
  論文  参考訳（メタデータ） (2023-01-23T04:34:25Z)
• Reference-Based Autoencoder for Surface Defect Detection [7.163582730053925]
  種々のテクスチャ欠陥を正確に検査するために, RB-AE (unsupervised reference-based autoencoder) を提案する。 モデルが画素レベルの識別能力を得ることができるように、人工欠陥と新たな画素レベルの識別損失関数をトレーニングに活用する。
  論文  参考訳（メタデータ） (2022-11-18T07:13:55Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• A Feature Memory Rearrangement Network for Visual Inspection of Textured Surface Defects Toward Edge Intelligent Manufacturing [4.33060257697635]
  本稿では,様々なテクスチャ欠陥を同時に検出するための,教師なし機能メモリ再構成ネットワーク(FMR-Net)を提案する。 人工的な人工的な欠陥を用いて、モデルが異常を認識できるようにし、従来の知恵は欠陥のないサンプルにのみ依存する。 FMR-Netは最先端の検査精度を示し、エッジコンピューティング対応のスマート産業で大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-06-22T04:05:13Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。