論文の概要: YOLO Network For Defect Detection In Optical lenses

• arxiv url: http://arxiv.org/abs/2502.07592v1
• Date: Tue, 11 Feb 2025 14:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:07:32.763173
• Title: YOLO Network For Defect Detection In Optical lenses
• Title（参考訳）: 光学レンズの欠陥検出のためのYOLOネットワーク
• Authors: Habib Yaseen,
• Abstract要約: 本研究では, YOLOv8ディープラーニングモデルに基づく自動欠陥検出システムを提案する。 欠陥とレンズ領域を付加した独自の光学レンズデータセットが作成され、モデルをトレーニングした。 本研究で得られた実験結果から,光学レンズの欠陥を効率よく,正確に検出できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Mass-produced optical lenses often exhibit defects that alter their scattering properties and compromise quality standards. Manual inspection is usually adopted to detect defects, but it is not recommended due to low accuracy, high error rate and limited scalability. To address these challenges, this study presents an automated defect detection system based on the YOLOv8 deep learning model. A custom dataset of optical lenses, annotated with defect and lens regions, was created to train the model. Experimental results obtained in this study reveal that the system can be used to efficiently and accurately detect defects in optical lenses. The proposed system can be utilized in real-time industrial environments to enhance quality control processes by enabling reliable and scalable defect detection in optical lens manufacturing.
• Abstract（参考訳）: 大量生産された光学レンズは、しばしば散乱特性を変化させ、品質基準を妥協する欠陥を示す。 手動検査は通常欠陥を検出するために使用されるが、低い精度、高いエラー率、限られたスケーラビリティのために推奨されない。 これらの課題に対処するために, YOLOv8ディープラーニングモデルに基づく自動欠陥検出システムを提案する。 欠陥とレンズ領域を付加した独自の光学レンズデータセットが作成され、モデルをトレーニングした。 本研究で得られた実験結果から,光学レンズの欠陥を効率よく,正確に検出できることがわかった。 提案システムは, 光学レンズ製造における信頼性, スケーラブルな欠陥検出を可能にすることにより, 品質管理のプロセスを向上させるために, リアルタイム産業環境で利用することができる。

関連論文リスト

• Classification robustness to common optical aberrations [64.08840063305313]
  本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。 ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。 我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
  論文  参考訳（メタデータ） (2023-08-29T08:36:00Z)
• Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review [4.493547775253646]
  機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。 畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。 本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
  論文  参考訳（メタデータ） (2023-08-16T13:59:43Z)
• Neural Invertible Variable-degree Optical Aberrations Correction [6.6855248718044225]
  本稿では,その情報ロスレス特性を利用して,可逆的アーキテクチャを用いた新しい収差補正手法を提案する。 アーキテクチャ内では、可変度で収差を処理できる条件付き可逆ブロックを開発する。 本手法は,物理画像シミュレーションによる合成データセットと実捕集データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2023-04-12T01:56:42Z)
• Neural Lens Modeling [50.57409162437732]
  NeuroLens(ニューロレンス)は、点投影と光線鋳造に使用できる歪みと磁化のための神経レンズモデルである。 古典的なキャリブレーションターゲットを使用してプリキャプチャのキャリブレーションを行うことができ、後に3D再構成の際にキャリブレーションやリファインメントを行うために使用できる。 このモデルは、多くのレンズタイプにまたがって一般化されており、既存の3D再構成とレンダリングシステムとの統合は容易である。
  論文  参考訳（メタデータ） (2023-04-10T20:09:17Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)
• Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect Inspection [34.699695525216185]
  Defect-GANは、現実的で多様な欠陥サンプルを生成する自動欠陥合成ネットワークです。 デフェメントと修復プロセスを通じて学習し、デフェメントは通常の表面画像に欠陥を生成する。 また、欠陥のバリエーションを模倣し、生成された欠陥の位置とカテゴリを柔軟に制御できます。
  論文  参考訳（メタデータ） (2021-03-28T15:53:34Z)
• Automatic Defect Detection of Print Fabric Using Convolutional Neural Network [0.0]
  画像処理と機械学習技術を用いた自動欠陥検出システムに関する現代の研究は異なっている。 研究チームは、織り中にリアルタイムな欠陥検出システムを構築することもできた。 この研究は、プリントファブリックデータベースを開発し、深い畳み込みニューラルネットワークを実装することで、このギャップを埋めた。
  論文  参考訳（メタデータ） (2021-01-03T20:56:56Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)
• Uneven illumination surface defects inspection based on convolutional neural network [4.475821533240529]
  本稿では,畳み込みニューラルネットワークを用いた表面画像欠陥検出手法を提案する。 銅帯および鋼板画像の欠陥検査実験により、畳み込みニューラルネットワークは、画像の前処理をせずに自動的に特徴を学習できることが示されている。
  論文  参考訳（メタデータ） (2019-05-16T12:18:42Z)

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。