論文の概要: Container damage detection using advanced computer vision model Yolov12 vs Yolov11 vs RF-DETR A comparative analysis

• arxiv url: http://arxiv.org/abs/2506.22517v1
• Date: Thu, 26 Jun 2025 14:29:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.441295
• Title: Container damage detection using advanced computer vision model Yolov12 vs Yolov11 vs RF-DETR A comparative analysis
• Title（参考訳）: 先進コンピュータビジョンモデルYolov12とYolov11とRF-DETRAの比較解析による容器損傷検出
• Authors: Subhadip Kumar,
• Abstract要約: 破損したコンテナは、それを扱う従業員にとっての安全上の危険であり、ロジスティック企業にとっての責任である。 本稿では,3種類の最先端コンピュータビジョンモデルYolov12,Yolov11,RF-DETRによる損傷検出性能の比較を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Containers are an integral part of the logistics industry and act as a barrier for cargo. A typical service life for a container is more than 20 years. However, overtime containers suffer various types of damage due to the mechanical as well as natural factors. A damaged container is a safety hazard for the employees handling it and a liability for the logistic company. Therefore, a timely inspection and detection of the damaged container is a key for prolonging service life as well as avoiding safety hazards. In this paper, we will compare the performance of the damage detection by three state-of-the-art advanced computer vision models Yolov12, Yolov11 and RF-DETR. We will use a dataset of 278 annotated images to train, validate and test the model. We will compare the mAP and precision of the model. The objective of this paper is to identify the model that is best suited for container damage detection. The result is mixed. mAP@50 score of Yolov11 and 12 was 81.9% compared to RF-DETR, which was 77.7%. However, while testing the model for not-so-common damaged containers, the RF-DETR model outperformed the others overall, exhibiting superiority to accurately detecting both damaged containers as well as damage occurrences with high confidence.
• Abstract（参考訳）: コンテナは物流産業の不可欠な部分であり、貨物の障壁として機能する。 コンテナの典型的なサービス寿命は20年以上です。 しかし, オーバータイム容器は, 機械的, 自然的要因により, 各種の損傷を受ける。 破損したコンテナは、それを扱う従業員にとっての安全上の危険であり、ロジスティック企業にとっての責任である。 したがって、損傷した容器のタイムリーな検査・検出は、サービス寿命を延ばし、安全上の危険を回避できる鍵となる。 本稿では,3種類の最先端コンピュータビジョンモデルYolov12,Yolov11,RF-DETRによる損傷検出性能の比較を行う。 モデルのトレーニング、検証、テストには、278の注釈付きイメージのデータセットを使用します。 モデルのmAPと精度を比較します。 本研究の目的は,コンテナ損傷検出に最も適したモデルを特定することである。 結果はまちまちだ。 ヨロフ11と12のmAP@50スコアは、RF-DETRの77.7%と比較すると81.9%であった。 しかし, RF-DETRモデルでは, 損傷しない容器の模型を試験しながら, 全般的に優れた性能を示し, 両容器を精度良く検出し, 高い信頼性で損傷発生を検出できた。

関連論文リスト

• Now you see it, Now you don't: Damage Label Agreement in Drone & Satellite Post-Disaster Imagery [0.5699788926464749]
  建物損傷評価のためのドローン画像と衛星画像とのラベル合意についての研究は知られていない。 本稿では,Hulicanes Ian,Michael,Harvey各都市にまたがる15,814棟の衛星とドローンの空中画像から得られた損傷ラベルを検査する。 ラベルの不一致が29.02%で、両者のソース間で大きく異なることが判明し、機械学習の損傷評価システムを展開する際のリスクと潜在的な損害が報告されている。
  論文  参考訳（メタデータ） (2025-05-12T23:17:00Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example [3.334973867478745]
  道路被害検知(RDD)は,都市部における日常のメンテナンスと安全のために重要である。 現在のUAVベースのRDD研究は、まだ多くの課題に直面している。 背景干渉を自動的に除去できるマルチスケール適応道路損傷検出モデルを設計する。
  論文  参考訳（メタデータ） (2024-09-04T09:03:47Z)
• SH17: A Dataset for Human Safety and Personal Protective Equipment Detection in Manufacturing Industry [2.007345596217044]
  本研究では,多様な産業環境から収集した17クラスの75,994個のインスタンスを含む8,099個の注釈付き画像からなるSH17データセットを提案する。 ベンチマークのために最先端のODモデルをトレーニングし、最初の結果は、You Only Look Once (YOLO)v9-eモデル変種がPPE検出の70.9%を超える有望な精度を示した。
  論文  参考訳（メタデータ） (2024-07-05T15:40:11Z)
• Trainwreck: A damaging adversarial attack on image classifiers [2.469487940636932]
  本稿では,ターゲットコンピュータビジョン(CV)モデルにダメージを与える敵攻撃(DAA)について検討する。 DAAは脅威モデルを定義し、コスト関数DAAを最大化し、成功のための3つの要件 – 有効性、ステルス、カスタマイズ性 – を設定することで形式化される。 DAAの先駆者として,訓練データに類似したクラスのデータを混在させる列車時攻撃であるTrawreckを提案する。
  論文  参考訳（メタデータ） (2023-11-24T13:37:19Z)
• MN-Pair Contrastive Damage Representation and Clustering for Prognostic Explanation [0.0]
  提案手法は, 予め定義されたクラスを超えて, 埋込み損傷表現を探索するのに役立つ。 1つの正のイメージを用いてNペアアルゴリズムよりも高速に学習する。 本手法は, 鋼製品欠陥, コンクリートひび割れ, およびその有効性の3つの実験的研究で実証された。
  論文  参考訳（メタデータ） (2023-01-15T11:56:32Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)

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。