論文の概要: Detecting and Classifying Defective Products in Images Using YOLO

• arxiv url: http://arxiv.org/abs/2412.16935v1
• Date: Sun, 22 Dec 2024 09:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:20.968922
• Title: Detecting and Classifying Defective Products in Images Using YOLO
• Title（参考訳）: YOLOを用いた画像中の欠陥製品の検出と分類
• Authors: Zhen Qi, Liwei Ding, Xiangtian Li, Jiacheng Hu, Bin Lyu, Ao Xiang,
• Abstract要約: YOLO(You Only Look Once)アルゴリズムは、製品欠陥検出の分野で目立った解決策として登場した。 本研究の目的は, YOLOアルゴリズムを用いて製品画像の欠陥を検出し, 分類することである。 その結果,検出精度を高く保ちながらリアルタイム検出が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.4959391076108255
• License:
• Abstract: With the continuous advancement of industrial automation, product quality inspection has become increasingly important in the manufacturing process. Traditional inspection methods, which often rely on manual checks or simple machine vision techniques, suffer from low efficiency and insufficient accuracy. In recent years, deep learning technology, especially the YOLO (You Only Look Once) algorithm, has emerged as a prominent solution in the field of product defect detection due to its efficient real-time detection capabilities and excellent classification performance. This study aims to use the YOLO algorithm to detect and classify defects in product images. By constructing and training a YOLO model, we conducted experiments on multiple industrial product datasets. The results demonstrate that this method can achieve real-time detection while maintaining high detection accuracy, significantly improving the efficiency and accuracy of product quality inspection. This paper further analyzes the advantages and limitations of the YOLO algorithm in practical applications and explores future research directions.
• Abstract（参考訳）: 産業自動化の継続的な進歩により、製造プロセスにおいて製品品質検査がますます重要になっている。 従来の検査手法は手動検査や単純な機械ビジョン技術に頼っていることが多いが、低効率で精度が不十分である。 近年、ディープラーニング技術、特にYOLO(You Only Look Once)アルゴリズムは、その効率的なリアルタイム検出機能と優れた分類性能により、製品欠陥検出の分野で顕著なソリューションとして登場している。 本研究の目的は, YOLOアルゴリズムを用いて製品画像の欠陥を検出し, 分類することである。 YOLOモデルの構築とトレーニングにより,複数の産業製品データセットの実験を行った。 その結果, 高い検出精度を維持しながらリアルタイム検出が可能であり, 製品品質検査の効率と精度を大幅に向上できることがわかった。 本稿では, YOLOアルゴリズムの実用化におけるメリットと限界を更に分析し, 今後の研究の方向性を探る。

関連論文リスト

• P-YOLOv8: Efficient and Accurate Real-Time Detection of Distracted Driving [0.0]
  引き離された運転は重大な安全上の問題であり、世界中で多くの死者と負傷につながっている。 本研究では、注意をそらされた運転行動を検出するための効率的でリアルタイムな機械学習モデルの必要性に対処する。 リアルタイムオブジェクト検出システムを導入し、速度と精度の両方に最適化する。
  論文  参考訳（メタデータ） (2024-10-21T02:56:44Z)
• Innovative Deep Learning Techniques for Obstacle Recognition: A Comparative Study of Modern Detection Algorithms [0.0]
  本研究では,高度なYOLOモデル,特にYOLOv8,YOLOv7,YOLOv6,YOLOv5を用いた障害物検出の包括的アプローチについて検討する。 その結果, YOLOv8は精度が向上し, 精度が向上した。
  論文  参考訳（メタデータ） (2024-10-14T02:28:03Z)
• Research on target detection method of distracted driving behavior based on improved YOLOv8 [6.405098280736171]
  本研究では,BOTNetモジュール,GAMアテンション機構,EIoU損失関数を統合することで,従来のYOLOv8モデルに基づく改良されたYOLOv8検出手法を提案する。 実験の結果, 精度は99.4%であり, 検出速度, 精度ともに良好であった。
  論文  参考訳（メタデータ） (2024-07-02T00:43:41Z)
• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Q-YOLO: Efficient Inference for Real-time Object Detection [29.51643492051404]
  リアルタイム物体検出は様々なコンピュータビジョンアプリケーションにおいて重要な役割を果たす。 リソース制約のあるプラットフォームにリアルタイムオブジェクト検出器をデプロイすることは、高い計算量とメモリ要求のために課題となる。 本稿ではQ-YOLOと呼ばれる高効率の一段検出器を構築するための低ビット量子化法について述べる。
  論文  参考訳（メタデータ） (2023-07-01T03:50:32Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。