論文の概要: A Curated Dataset and Deep Learning Approach for Minor Dent Detection in Vehicles

• arxiv url: http://arxiv.org/abs/2508.15431v1
• Date: Thu, 21 Aug 2025 10:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.280408
• Title: A Curated Dataset and Deep Learning Approach for Minor Dent Detection in Vehicles
• Title（参考訳）: 自動車における微小歯質検出のための評価データと深層学習手法
• Authors: Danish Zia Baig, Mohsin Kamal,
• Abstract要約: 本稿では、YOLOv8オブジェクト認識フレームワークを用いて、顕微鏡表面欠陥を検出するためのディープラーニングベースのソリューションを提供する。 この技術は検出精度に優れ、推論レイテンシも低く、リアルタイムアプリケーションに適している。
• 参考スコア（独自算出の注目度）: 3.890383093585786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional car damage inspection techniques are labor-intensive, manual, and frequently overlook tiny surface imperfections like microscopic dents. Machine learning provides an innovative solution to the increasing demand for quicker and more precise inspection methods. The paper uses the YOLOv8 object recognition framework to provide a deep learning-based solution for automatically detecting microscopic surface flaws, notably tiny dents, on car exteriors. Traditional automotive damage inspection procedures are manual, time-consuming, and frequently unreliable at detecting tiny flaws. To solve this, a bespoke dataset containing annotated photos of car surfaces under various lighting circumstances, angles, and textures was created. To improve robustness, the YOLOv8m model and its customized variants, YOLOv8m-t4 and YOLOv8m-t42, were trained employing real-time data augmentation approaches. Experimental results show that the technique has excellent detection accuracy and low inference latency, making it suited for real-time applications such as automated insurance evaluations and automobile inspections. Evaluation parameters such as mean Average Precision (mAP), precision, recall, and F1-score verified the model's efficacy. With a precision of 0.86, recall of 0.84, and F1-score of 0.85, the YOLOv8m-t42 model outperformed the YOLOv8m-t4 model (precision: 0.81, recall: 0.79, F1-score: 0.80) in identifying microscopic surface defects. With a little reduced mAP@0.5:0.95 of 0.20, the mAP@0.5 for YOLOv8m-t42 stabilized at 0.60. Furthermore, YOLOv8m-t42's PR curve area was 0.88, suggesting more consistent performance than YOLOv8m-t4 (0.82). YOLOv8m-t42 has greater accuracy and is more appropriate for practical dent detection applications, even though its convergence is slower.
• Abstract（参考訳）: 従来の自動車の損傷検査技術は、労働集約的で手動であり、しばしば顕微鏡的な歯列のような小さな表面の欠陥を見落としている。 機械学習は、迅速で正確な検査方法に対する需要の増加に対する革新的な解決策を提供する。 論文では、YOLOv8オブジェクト認識フレームワークを使用して、車の外装上の顕微鏡的な表面欠陥(特に小さな歯列)を自動的に検出するディープラーニングベースのソリューションを提供する。 従来の自動車の損傷検査手順はマニュアルで、時間がかかり、小さな欠陥を検出するのに信頼性が低い。 この問題を解決するために、様々な照明条件、角度、テクスチャの下で、車表面の注釈写真を含むベスポークデータセットを作成しました。 堅牢性を改善するため、YOLOv8mモデルとそのカスタマイズ版であるYOLOv8m-t4とYOLOv8m-t42はリアルタイムデータ拡張アプローチを用いて訓練された。 実験結果から, 自動保険評価や自動車検査などのリアルタイムアプリケーションに適した検出精度, 低推論レイテンシが得られた。 平均精度(mAP)、精度、リコール、F1スコアなどの評価パラメータは、モデルの有効性を検証した。 精度0.86、リコール0.84、F1スコア0.85で、YOLOv8m-t42モデルは顕微鏡表面欠陥の識別においてYOLOv8m-t4モデル(精度0.81、リコール0.79、F1スコア0.80)を上回った。 YOLOv8m-t42のmAP@0.5は0.20のmAP@0.5:0.95をわずかに減少させ、0.60で安定させた。 さらに、YOLOv8m-t42のPR曲線面積は0.88であり、YOLOv8m-t4 (0.82) よりも一貫した性能を示した。 YOLOv8m-t42は精度が高く、収束が遅いにもかかわらず実用的なデント検出用途に適している。

関連論文リスト

• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
  YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。 YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。 実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-18T04:28:05Z)
• Data-driven Detection and Evaluation of Damages in Concrete Structures: Using Deep Learning and Computer Vision [0.0]
  本研究では、ディープラーニングによる損傷の自動検出と解析のための高度なデータ駆動手法について検討する。 最新のインスタンスセグメンテーションモデルであるYOLO-v7インスタンスセグメンテーションとMask R-CNNを評価した。 YOLO-v7は96.1%のmAP@0.5を達成し、40 FPSを処理し、Mask R-CNNを上回り、mAP@0.5を92.1%、処理速度を18 FPSとした。
  論文  参考訳（メタデータ） (2025-01-21T02:44:05Z)
• P-YOLOv8: Efficient and Accurate Real-Time Detection of Distracted Driving [0.0]
  引き離された運転は重大な安全上の問題であり、世界中で多くの死者と負傷につながっている。 本研究では、注意をそらされた運転行動を検出するための効率的でリアルタイムな機械学習モデルの必要性に対処する。 リアルタイムオブジェクト検出システムを導入し、速度と精度の両方に最適化する。
  論文  参考訳（メタデータ） (2024-10-21T02:56:44Z)
• Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
  本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。 ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。 提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2024-10-10T22:55:12Z)
• A lightweight YOLOv5-FFM model for occlusion pedestrian detection [1.62877896907106]
  ヨロは、効率的で単純な1段階目標検出法であり、様々な環境における歩行者検出によく用いられる。 本稿では,これらの問題に対処する軽量YOLOv5モデルを提案する。 このモデルは浮動小数点演算(FLOP)の少ない歩行者検出精度を向上させることができる。
  論文  参考訳（メタデータ） (2024-08-13T04:42:02Z)
• Fall Detection for Industrial Setups Using YOLOv8 Variants [0.0]
  25.9百万のパラメータと79.1のGFLOPからなるYOLOv8mモデルでは、計算効率と検出性能のバランスが良好であった。 YOLOv8l と YOLOv8x モデルでは精度とリコールが向上したが、その高い計算要求とモデルサイズによりリソース制約のある環境には適さない。
  論文  参考訳（メタデータ） (2024-08-08T17:24:54Z)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Detecting Errors and Estimating Accuracy on Unlabeled Data with Self-training Ensembles [38.23896575179384]
  本稿では,この2つの課題に同時に対処する,原則的かつ実用的な枠組みを提案する。 1つのインスタンス化は、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。 iWildCamでは、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。
  論文  参考訳（メタデータ） (2021-06-29T21:32:51Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。