論文の概要: YOLO-Based Defect Detection for Metal Sheets

• arxiv url: http://arxiv.org/abs/2509.25659v2
• Date: Fri, 03 Oct 2025 02:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 12:05:48.057368
• Title: YOLO-Based Defect Detection for Metal Sheets
• Title（参考訳）: YOLOによる金属板の欠陥検出
• Authors: Po-Heng Chou, Chun-Chi Wang, Wei-Lung Mao,
• Abstract要約: 自動欠陥検出のためのYOLOに基づくディープラーニング(DL)モデルを提案する。 実験では, 金属シートの画像がYOLOモデルのトレーニング用データセットとして使用される。 ConSinGAN を用いた YOLOv9 モデルは、91.3%の精度で他の YOLO モデルより優れており、検出時間は146msである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a YOLO-based deep learning (DL) model for automatic defect detection to solve the time-consuming and labor-intensive tasks in industrial manufacturing. In our experiments, the images of metal sheets are used as the dataset for training the YOLO model to detect the defects on the surfaces and in the holes of metal sheets. However, the lack of metal sheet images significantly degrades the performance of detection accuracy. To address this issue, the ConSinGAN is used to generate a considerable amount of data. Four versions of the YOLO model (i.e., YOLOv3, v4, v7, and v9) are combined with the ConSinGAN for data augmentation. The proposed YOLOv9 model with ConSinGAN outperforms the other YOLO models with an accuracy of 91.3%, and a detection time of 146 ms. The proposed YOLOv9 model is integrated into manufacturing hardware and a supervisory control and data acquisition (SCADA) system to establish a practical automated optical inspection (AOI) system. Additionally, the proposed automated defect detection is easily applied to other components in industrial manufacturing.
• Abstract（参考訳）: 本稿では,工業生産における時間的・労働集約的な課題を解決するために,自動欠陥検出のためのYOLOに基づくディープラーニング(DL)モデルを提案する。 実験では, 表面および金属シートの孔内の欠陥を検出するために, YOLOモデルをトレーニングするためのデータセットとして, 金属シートの画像を用いた。 しかし, 金属シート画像の欠如は検出精度を著しく低下させる。 この問題を解決するために、ConSinGANは大量のデータを生成するために使用される。 YOLOモデルの4つのバージョン(例えば、YOLOv3、v4、v7、v9)とデータ拡張のためのConSinGANが組み合わされている。 The proposed YOLOv9 model with ConSinGAN on the other YOLO model with a accuracy of 91.3% and a detection time of 146 ms, this YOLOv9 model is integrated into manufacturing hardware and a supervisory control and data acquisition (SCADA) system to establish a practical automated optical inspection (AOI) system。 また, 工業生産における他の部品にも容易に自動欠陥検出が可能となる。

関連論文リスト

• Plastic Waste Classification Using Deep Learning: Insights from the WaDaBa Dataset [0.0]
  本研究では、畳み込みニューラルネットワーク(CNN)とYOLO(You Only Look Once)のようなオブジェクト検出モデルに焦点を当てる。 その結果, YOLO-11mの精度は98.03%, mAP50(0.990)で, YOLO-11nも同様だがmAP50(0.992)であった。 YOLO-10nのような軽量モデルはより高速に訓練されたが精度は低く、MobileNet V2は優れた性能(97.12%の精度)を示したが、オブジェクト検出では不足していた。
  論文  参考訳（メタデータ） (2024-12-28T18:00:52Z)
• HyperDefect-YOLO: Enhance YOLO with HyperGraph Computation for Industrial Defect Detection [12.865603495310328]
  HD-YOLOはDAM(Defect Aware Module)とMGNet(Mixed Graph Network)で構成されている。 HGANetはハイパーグラフとアテンション機構を組み合わせて、マルチスケール機能を集約する。 CSF(Cross-Scale Fusion)は、単純な結合や畳み込みではなく、機能を適応的に融合し、処理するために提案されている。
  論文  参考訳（メタデータ） (2024-12-05T08:38:01Z)
• 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)
• 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)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray Image [7.970559381165446]
  畳み込みニューラルネットワーク(CNN)に基づく溶接欠陥検出手法,すなわちLighter and Faster YOLO(LF-YOLO)を提案する。 検出ネットワークの性能向上のために,効率的な特徴抽出(EFE)モジュールを提案する。 その結果, 溶接欠陥ネットワークは性能と消費のバランスが良好であり, 61.5 FPSの92.9 mAP50に達することがわかった。
  論文  参考訳（メタデータ） (2021-10-28T12:19:32Z)

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。