論文の概要: ESRPCB: an Edge guided Super-Resolution model and Ensemble learning for tiny Printed Circuit Board Defect detection

• arxiv url: http://arxiv.org/abs/2506.13476v1
• Date: Mon, 16 Jun 2025 13:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.582719
• Title: ESRPCB: an Edge guided Super-Resolution model and Ensemble learning for tiny Printed Circuit Board Defect detection
• Title（参考訳）: ESRPCB:エッジガイド型超解法モデルと小さなプリント基板欠陥検出のためのアンサンブル学習
• Authors: Xiem HoangVan, Dang Bui Dinh, Thanh Nguyen Canh, Van-Truong Nguyen,
• Abstract要約: 本稿では,エッジ誘導型超解像とアンサンブル学習を組み合わせた新しいフレームワークESRPCBを提案する。 エッジ特徴を取り入れることで、超解像過程は重要な構造的詳細を保ち、小さな欠陥が強調画像で識別可能であることを保証している。
• 参考スコア（独自算出の注目度）: 0.33748750222488655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Printed Circuit Boards (PCBs) are critical components in modern electronics, which require stringent quality control to ensure proper functionality. However, the detection of defects in small-scale PCBs images poses significant challenges as a result of the low resolution of the captured images, leading to potential confusion between defects and noise. To overcome these challenges, this paper proposes a novel framework, named ESRPCB (edgeguided super-resolution for PCBs defect detection), which combines edgeguided super-resolution with ensemble learning to enhance PCBs defect detection. The framework leverages the edge information to guide the EDSR (Enhanced Deep Super-Resolution) model with a novel ResCat (Residual Concatenation) structure, enabling it to reconstruct high-resolution images from small PCBs inputs. By incorporating edge features, the super-resolution process preserves critical structural details, ensuring that tiny defects remain distinguishable in the enhanced image. Following this, a multi-modal defect detection model employs ensemble learning to analyze the super-resolved
• Abstract（参考訳）: プリント回路基板(PCB)は現代のエレクトロニクスにおいて重要な要素であり、適切な機能を確保するためには厳格な品質制御を必要とする。 しかし、小型PCBs画像の欠陥検出は、キャプチャ画像の低解像度化の結果、重大な問題を引き起こし、欠陥とノイズの混同を招く可能性がある。 これらの課題を克服するために,エッジ誘導型超解像とアンサンブル学習を組み合わせてPCBの欠陥検出を向上するESRPCB(edgeguided Super- resolution for PCBs defect detection)という新しいフレームワークを提案する。 このフレームワークはエッジ情報を利用して、EDSR(Enhanced Deep Super-Resolution)モデルを新しいResCat(Residual Concatenation)構造でガイドし、小さなPCBの入力から高解像度画像の再構成を可能にする。 エッジ特徴を取り入れることで、超解像過程は重要な構造的詳細を保ち、小さな欠陥が強調画像で識別可能であることを保証している。 その後のマルチモーダル欠陥検出モデルでは、アンサンブル学習を用いて超解法の解析を行う。

関連論文リスト

• Enhancing Printed Circuit Board Defect Detection through Ensemble Learning [8.680295020998875]
  本稿では,このギャップに対処するためのアンサンブル学習戦略を活用した総合的な検査フレームワークを提案する。 我々は最先端手法を用いた4つの異なるPCB欠陥検出モデルを利用する。 比較分析の結果,我々のアンサンブル学習フレームワークは個々の手法よりも優れており,多様なPCB欠陥の検出において95%の精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-09-14T23:34:12Z)
• YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
  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。
  論文  参考訳（メタデータ） (2024-07-22T07:08:22Z)
• 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)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
  軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 既存の方法では、活性化関数による中間層の特徴が失われる。 本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
  論文  参考訳（メタデータ） (2022-12-29T05:57:29Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Generating Superpixels for High-resolution Images with Decoupled Patch Calibration [82.21559299694555]
  Patch Networks (PCNet) は高解像度のスーパーピクセルセグメンテーションを効率的かつ正確に実装するように設計されている。 DPCは高解像度画像から局所パッチを取得し、動的にバイナリマスクを生成し、ネットワークを領域境界に集中させる。 特に、DPCは高解像度画像からローカルパッチを取り、動的にバイナリマスクを生成して、ネットワークを領域境界に集中させる。
  論文  参考訳（メタデータ） (2021-08-19T10:33:05Z)
• PCB-Fire: Automated Classification and Fault Detection in PCB [0.0]
  著者らは、欠落したコンポーネントを検出し、それらを資源的に分類する新しいソリューションを提案する。 提案アルゴリズムは、与えられたデータセットの結果の最適化に使用される画素理論とオブジェクト検出に重点を置いている。
  論文  参考訳（メタデータ） (2021-02-22T05:19:22Z)

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。