論文の概要: An Appearance Defect Detection Method for Cigarettes Based on C-CenterNet
- arxiv url: http://arxiv.org/abs/2502.06119v1
- Date: Mon, 10 Feb 2025 03:12:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:31:51.313848
- Title: An Appearance Defect Detection Method for Cigarettes Based on C-CenterNet
- Title（参考訳）: C-CenterNetに基づくタバコの外観欠陥検出手法
- Authors: Hongyu Liu, Guowu Yuan, Lei Yang, Kunxiao Liu, Hao Zhou,
- Abstract要約: C-CenterNetに基づくタバコの外観欠陥検出手法を提案する。
この検出器はキーポイント推定を使用して中心点を特定し、他のすべての欠陥特性を回帰する。
オリジナルのCenterNetモデルと比較すると、モデルの成功率は6.14%向上している。
- 参考スコア（独自算出の注目度）: 17.31454256765229
- License:
- Abstract: Due to the poor adaptability of traditional methods in the cigarette detection task on the automatic cigarette production line, it is difficult to accurately identify whether a cigarette has defects and the types of defects; thus, a cigarette appearance defect detection method based on C-CenterNet is proposed. This detector uses keypoint estimation to locate center points and regresses all other defect properties. Firstly, Resnet50 is used as the backbone feature extraction network, and the convolutional block attention mechanism (CBAM) is introduced to enhance the network's ability to extract effective features and reduce the interference of non-target information. At the same time, the feature pyramid network is used to enhance the feature extraction of each layer. Then, deformable convolution is used to replace part of the common convolution to enhance the learning ability of different shape defects. Finally, the activation function ACON (ActivateOrNot) is used instead of the ReLU activation function, and the activation operation of some neurons is adaptively selected to improve the detection accuracy of the network. The experimental results are mainly acquired via the mean Average Precision (mAP). The experimental results show that the mAP of the C-CenterNet model applied in the cigarette appearance defect detection task is 95.01%. Compared with the original CenterNet model, the model's success rate is increased by 6.14%, so it can meet the requirements of precision and adaptability in cigarette detection tasks on the automatic cigarette production line.
- Abstract（参考訳）: 自動タバコ製造ラインにおけるタバコ検出作業における従来の手法の適応性が悪いため,タバコの欠陥の有無や欠陥の種類を正確に把握することは困難であり,C-CenterNetに基づくタバコの外観欠陥検出手法が提案されている。
この検出器はキーポイント推定を使用して中心点を特定し、他のすべての欠陥特性を回帰する。
まず、バックボーンの特徴抽出ネットワークとしてResnet50を使用し、効果的な特徴を抽出し、非ターゲット情報の干渉を低減するために、畳み込みブロック注意機構(CBAM)を導入する。
同時に、各層の特徴抽出を強化するために、特徴ピラミッドネットワークを使用する。
そして、変形可能な畳み込みを用いて共通の畳み込みの一部を置き換え、異なる形状欠陥の学習能力を高める。
最後に、ReLUアクティベーション機能の代わりにアクティベーション機能ACON(ActivateOrNot)を使用し、一部のニューロンのアクティベーション動作を適応的に選択してネットワークの検出精度を向上させる。
実験結果は主に平均精度(mAP)を用いて得られた。
C-CenterNetモデルがタバコの外観欠陥検出タスクに適用したmAPは95.01%であることを示す実験結果が得られた。
オリジナルのCenterNetモデルと比較して、モデルの成功率は6.14%増加しており、自動タバコ製造ラインにおけるタバコ検出タスクの精度と適応性の要件を満たすことができる。
関連論文リスト
- Feature Selection for Network Intrusion Detection [3.7414804164475983]
本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。
提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
論文 参考訳（メタデータ） (2024-11-18T14:25:55Z) - PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。
PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-24T07:57:21Z) - 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) - 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) - Reduced Deep Convolutional Activation Features (R-DeCAF) in
Histopathology Images to Improve the Classification Performance for Breast
Cancer Diagnosis [0.0]
乳がんは世界で2番目に多いがんである。
ディープ畳み込みニューラルネットワーク(CNN)は効果的なソリューションである。
事前訓練したCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
論文 参考訳（メタデータ） (2023-01-05T06:53:46Z) - A Fair Loss Function for Network Pruning [70.35230425589592]
本稿では, 刈り込み時のバイアスの抑制に使用できる簡易な改良型クロスエントロピー損失関数である, 性能重み付き損失関数を提案する。
CelebA、Fitzpatrick17k、CIFAR-10データセットを用いた実験は、提案手法が単純で効果的なツールであることを実証している。
論文 参考訳（メタデータ） (2022-11-18T15:17:28Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point
Clouds [51.47100091540298]
本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。
CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
論文 参考訳（メタデータ） (2021-08-31T23:27:33Z) - SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。
冗長フィルタは、異なる特徴の逆数過程において発見できる。
提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
論文 参考訳（メタデータ） (2020-10-21T03:02:01Z) - Auto-Classifier: A Robust Defect Detector Based on an AutoML Head [2.685668802278155]
畳み込みニューラルネットワークは従来の手法よりも優れた結果が得られることを示す。
また、Auto-Classifierは、全データセットの100%精度と100%AUC結果を達成することで、他のすべてのメソッドよりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2020-09-03T10:39:02Z) - Detection Method Based on Automatic Visual Shape Clustering for
Pin-Missing Defect in Transmission Lines [1.602803566465659]
ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。
タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。
本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
論文 参考訳（メタデータ） (2020-01-17T10:57:37Z)
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。