論文の概要: A Steel Surface Defect Detection Method Based on Lightweight Convolution Optimization

• arxiv url: http://arxiv.org/abs/2507.15476v1
• Date: Mon, 21 Jul 2025 10:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.357341
• Title: A Steel Surface Defect Detection Method Based on Lightweight Convolution Optimization
• Title（参考訳）: 軽量畳み込み最適化に基づく鋼表面欠陥検出法
• Authors: Cong Chen, Ming Chen, Hoileong Lee, Yan Li, Jiyang Yu,
• Abstract要約: 本研究では,欠陥検出精度とモデル性能を改善するために,ディープラーニング,特にYOLOv9sに基づく検出フレームワークを提案する。 実験により, 鋼表面欠陥検出タスクにおいて, 他の手法と比較して高精度かつ堅牢性が得られることを示した。
• 参考スコア（独自算出の注目度）: 12.113216180751605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface defect detection of steel, especially the recognition of multi-scale defects, has always been a major challenge in industrial manufacturing. Steel surfaces not only have defects of various sizes and shapes, which limit the accuracy of traditional image processing and detection methods in complex environments. However, traditional defect detection methods face issues of insufficient accuracy and high miss-detection rates when dealing with small target defects. To address this issue, this study proposes a detection framework based on deep learning, specifically YOLOv9s, combined with the C3Ghost module, SCConv module, and CARAFE upsampling operator, to improve detection accuracy and model performance. First, the SCConv module is used to reduce feature redundancy and optimize feature representation by reconstructing the spatial and channel dimensions. Second, the C3Ghost module is introduced to enhance the model's feature extraction ability by reducing redundant computations and parameter volume, thereby improving model efficiency. Finally, the CARAFE upsampling operator, which can more finely reorganize feature maps in a content-aware manner, optimizes the upsampling process and ensures detailed restoration of high-resolution defect regions. Experimental results demonstrate that the proposed model achieves higher accuracy and robustness in steel surface defect detection tasks compared to other methods, effectively addressing defect detection problems.
• Abstract（参考訳）: 鉄鋼の表面欠陥検出、特にマルチスケール欠陥の認識は、製造業において常に大きな課題となっている。 鋼表面は様々な大きさや形状の欠陥があるだけでなく、複雑な環境下での従来の画像処理と検出の精度を制限している。 しかし, 従来の欠陥検出手法では, 少ない目標欠陥を扱う場合, 精度が低く, ミス検出率が高いという問題がある。 そこで本研究では,ディープラーニング,特にYOLOv9sに基づく検出フレームワークと,C3Ghostモジュール,SCConvモジュール,CARAFEアップサンプリング演算子を組み合わせることで,検出精度とモデル性能を向上させることを提案する。 まず,SCConvモジュールを用いて特徴冗長性を低減し,空間次元とチャネル次元を再構成することで特徴表現を最適化する。 第二に、C3Ghostモジュールを導入し、冗長計算とパラメータボリュームを削減し、モデルの特徴抽出能力を向上し、モデル効率を向上させる。 最後に、CARAFEアップサンプリング演算子は、コンテンツ対応で機能マップをより細かく再構成し、アップサンプリングプロセスを最適化し、高分解能欠陥領域の詳細な復元を保証する。 実験結果から, 鋼表面欠陥検出タスクにおいて, 他の方法と比較して高精度かつ堅牢性を達成し, 欠陥検出問題に効果的に対処できることが示唆された。

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)
• PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness [10.364634539199422]
  本稿では,背景雑音を低減し,擬似異常に基づくフレームワークによる欠陥検出を向上するゼロショット異常検出手法であるPA-CLIPを紹介する。 提案手法は,グローバルおよびローカルの詳細な情報を収集するためのマルチスケール特徴集約戦略を統合する。 既存のゼロショット法よりも優れており、工業的欠陥検出のための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-03-03T08:29:27Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• 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)
• 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)
• Reference-Based Autoencoder for Surface Defect Detection [7.163582730053925]
  種々のテクスチャ欠陥を正確に検査するために, RB-AE (unsupervised reference-based autoencoder) を提案する。 モデルが画素レベルの識別能力を得ることができるように、人工欠陥と新たな画素レベルの識別損失関数をトレーニングに活用する。
  論文  参考訳（メタデータ） (2022-11-18T07:13:55Z)
• A Feature Memory Rearrangement Network for Visual Inspection of Textured Surface Defects Toward Edge Intelligent Manufacturing [4.33060257697635]
  本稿では,様々なテクスチャ欠陥を同時に検出するための,教師なし機能メモリ再構成ネットワーク(FMR-Net)を提案する。 人工的な人工的な欠陥を用いて、モデルが異常を認識できるようにし、従来の知恵は欠陥のないサンプルにのみ依存する。 FMR-Netは最先端の検査精度を示し、エッジコンピューティング対応のスマート産業で大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-06-22T04:05:13Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。