論文の概要: VR-YOLO: Enhancing PCB Defect Detection with Viewpoint Robustness Based on YOLO
- arxiv url: http://arxiv.org/abs/2507.02963v1
- Date: Mon, 30 Jun 2025 10:50:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.477092
- Title: VR-YOLO: Enhancing PCB Defect Detection with Viewpoint Robustness Based on YOLO
- Title（参考訳）: VR-YOLO: YOLOに基づく視点ロバストネスによるPCB欠陥検出の強化
- Authors: Hengyi Zhu, Linye Wei, He Li,
- Abstract要約: YOLOv8モデルに基づくVR-YOLOと呼ばれるPCB欠陥検出アルゴリズムを提案する。
本アルゴリズムは,現実的なアプリケーションシナリオにおいて,モデルの一般化性能を改善し,視点の堅牢性を高めることを目的としている。
- 参考スコア（独自算出の注目度）: 1.9861949351136194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of large-scale circuits and systems emphasizes the importance of automated defect detection of electronic components. The YOLO image detection model has been used to detect PCB defects and it has become a typical AI-assisted case of traditional industrial production. However, conventional detection algorithms have stringent requirements for the angle, orientation, and clarity of target images. In this paper, we propose an enhanced PCB defect detection algorithm, named VR-YOLO, based on the YOLOv8 model. This algorithm aims to improve the model's generalization performance and enhance viewpoint robustness in practical application scenarios. We first propose a diversified scene enhancement (DSE) method by expanding the PCB defect dataset by incorporating diverse scenarios and segmenting samples to improve target diversity. A novel key object focus (KOF) scheme is then presented by considering angular loss and introducing an additional attention mechanism to enhance fine-grained learning of small target features. Experimental results demonstrate that our improved PCB defect detection approach achieves a mean average precision (mAP) of 98.9% for the original test images, and 94.7% for the test images with viewpoint shifts (horizontal and vertical shear coefficients of $\pm 0.06$ and rotation angle of $\pm 10$ degrees), showing significant improvements compared to the baseline YOLO model with negligible additional computational cost.
- Abstract（参考訳）: 大規模回路とシステムの統合は、電子部品の自動欠陥検出の重要性を強調している。
YOLO画像検出モデルはPCBの欠陥を検出するために使われており、従来の産業生産の典型的なAI支援ケースとなっている。
しかし、従来の検出アルゴリズムは、対象画像の角度、向き、明度に対して厳密な要件を持っている。
本稿では, YOLOv8モデルに基づくVR-YOLOと呼ばれるPCB欠陥検出アルゴリズムを提案する。
本アルゴリズムは,現実的なアプリケーションシナリオにおいて,モデルの一般化性能を改善し,視点の堅牢性を高めることを目的としている。
まず,多様なシナリオを組み込んだPCB欠陥データセットを拡張し,ターゲットの多様性を向上させるためにセグメント化サンプルを組み込むことにより,DSE手法を提案する。
次に、角損失を考慮した新しいキーオブジェクトフォーカス(KOF)方式を提示し、小さなターゲット特徴の微粒化学習を強化するための追加の注意機構を導入する。
実験結果から,PCBの欠陥検出手法の改善により,従来のテスト画像の平均平均精度が98.9%,視点シフトが94.7%(水平および垂直せん断係数が$\pm 0.06$,回転角が$\pm 10$ degrees)となることがわかった。
関連論文リスト
- Multi-Scale PCB Defect Detection with YOLOv8 Network Improved via Pruning and Lightweight Network [0.0]
YOLOv8は、バックボーンネットワーク、ネックネットワーク、検出ヘッド、損失関数、適応プルーニング率を最適化することにより、検出速度と精度を向上させることができる。
公開されているPCB欠陥データセットでは、mAP0.5は99.32%、mAP0.5:0.9は75.18%に達し、YOLOv8nよりも10.13%高い。
論文 参考訳（メタデータ） (2025-07-23T03:47:00Z) - YOLO-RS: Remote Sensing Enhanced Crop Detection Methods [0.32985979395737786]
既存のターゲット検出手法は、リモートセンシング画像において、小さなターゲットを扱う際の性能が劣っている。
YOLO-RSは、小さなターゲットの検出を大幅に強化した最新のYolov11に基づいている。
リモートセンシング画像における小目標検出作業におけるYOLO-RSの有効性と適用可能性を検証する実験を行った。
論文 参考訳（メタデータ） (2025-04-15T13:13:22Z) - Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11 [1.6775954077761863]
本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。
このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。
強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2025-01-12T17:26:24Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。
潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。
主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
論文 参考訳（メタデータ） (2024-11-23T19:10:32Z) - YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。
本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。
高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
論文 参考訳（メタデータ） (2024-10-15T16:00:01Z) - 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) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳（メタデータ） (2023-09-03T06:35:07Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - 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) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z)
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。