論文の概要: YOLO Ensemble for UAV-based Multispectral Defect Detection in Wind Turbine Components

• arxiv url: http://arxiv.org/abs/2509.04156v1
• Date: Thu, 04 Sep 2025 12:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.157507
• Title: YOLO Ensemble for UAV-based Multispectral Defect Detection in Wind Turbine Components
• Title（参考訳）: 風車部品のUAVによるマルチスペクトル欠陥検出のためのYOLOアンサンブル
• Authors: Serhii Svystun, Pavlo Radiuk, Oleksandr Melnychenko, Oleg Savenko, Anatoliy Sachenko,
• Abstract要約: 高度センサーを搭載した無人航空機(UAV)は、風力発電プラントを監視する新たな機会を開いた。 信頼性のある欠陥検出には、高解像度のデータと、マルチスペクトル画像を処理する効率的な方法が必要である。 我々は、可視チャネルとサーマルチャネルの両方を統合した、YOLOに基づくディープラーニングモデルのアンサンブルを開発する。
• 参考スコア（独自算出の注目度）: 12.174346896225153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicles (UAVs) equipped with advanced sensors have opened up new opportunities for monitoring wind power plants, including blades, towers, and other critical components. However, reliable defect detection requires high-resolution data and efficient methods to process multispectral imagery. In this research, we aim to enhance defect detection accuracy through the development of an ensemble of YOLO-based deep learning models that integrate both visible and thermal channels. We propose an ensemble approach that integrates a general-purpose YOLOv8 model with a specialized thermal model, using a sophisticated bounding box fusion algorithm to combine their predictions. Our experiments show this approach achieves a mean Average Precision (mAP@.5) of 0.93 and an F1-score of 0.90, outperforming a standalone YOLOv8 model, which scored an mAP@.5 of 0.91. These findings demonstrate that combining multiple YOLO architectures with fused multispectral data provides a more reliable solution, improving the detection of both visual and thermal defects.
• Abstract（参考訳）: 高度センサーを搭載した無人航空機(UAV)は、ブレード、タワー、その他の重要な部品を含む風力発電プラントを監視する新たな機会を開いた。 しかし、信頼性のある欠陥検出には、高解像度のデータと、マルチスペクトル画像を処理する効率的な方法が必要である。 本研究では,可視チャネルと熱チャネルを統合したYOLOに基づく深層学習モデルのアンサンブルを開発することにより,欠陥検出精度を向上させることを目的とする。 本稿では,汎用YOLOv8モデルと特殊な熱モデルを統合するアンサンブル手法を提案する。 実験の結果,平均精度は0.93,F1スコアは0.90であり,平均精度は0.91であった。 これらの結果は、複数のYOLOアーキテクチャと融合したマルチスペクトルデータを組み合わせることで、より信頼性の高いソリューションが得られ、視覚的および熱的欠陥の検出が改善されることを示している。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• YOLO-FireAD: Efficient Fire Detection via Attention-Guided Inverted Residual Learning and Dual-Pooling Feature Preservation [5.819675225521611]
  本研究は, 意識誘導型逆残差・デュアルプールダウンスケール核融合(YOLO-FireAD)による火災検出に一度だけ注目することを提案する。 注意誘導型逆残差ブロック(AIR)は、ハイブリッドチャネル空間の注意と逆残差を統合し、火災特性を適応的に増強し、環境騒音を抑制する。 Dual Pool Downscale Fusion Block (DPDF)は、最大平均プール出力の学習可能な融合を通じて、マルチスケールの火災パターンを保存する。
  論文  参考訳（メタデータ） (2025-05-27T08:29:07Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• 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)
• EFA-YOLO: An Efficient Feature Attention Model for Fire and Flame Detection [3.334973867478745]
  EAConv(Efficient Attention Downsampling)とEADown(Efficient Attention Downsampling)の2つの重要なモジュールを提案する。 これら2つのモジュールに基づいて,効率的な軽量火炎検出モデル EFA-YOLO (Efficient Feature Attention YOLO) を設計する。 EFA-YOLOは検出精度(mAP)と推論速度を著しく向上させ、モデルパラメータの量を94.6削減し、推論速度を88倍改善した。
  論文  参考訳（メタデータ） (2024-09-19T10:20:07Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
  我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。 我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。 このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
  論文  参考訳（メタデータ） (2021-04-07T04:03:20Z)

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。