論文の概要: Automated Defect Detection for Mass-Produced Electronic Components Based on YOLO Object Detection Models
- arxiv url: http://arxiv.org/abs/2510.01914v1
- Date: Thu, 02 Oct 2025 11:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:21.105766
- Title: Automated Defect Detection for Mass-Produced Electronic Components Based on YOLO Object Detection Models
- Title（参考訳）: YOLOオブジェクト検出モデルに基づく大量電子部品の自動欠陥検出
- Authors: Wei-Lung Mao, Chun-Chi Wang, Po-Heng Chou, Yen-Ting Liu,
- Abstract要約: 本稿では,業界で広く利用されているデュアルインラインパッケージ(DIP)の自動欠陥検出システムを提案する。
ConSinGANで提案されたYOLOv7は、95.50%の精度で他のYOLOバージョンよりも優れ、285msの検出時間は閾値に基づくアプローチよりもはるかに優れている。
- 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: Since the defect detection of conventional industry components is time-consuming and labor-intensive, it leads to a significant burden on quality inspection personnel and makes it difficult to manage product quality. In this paper, we propose an automated defect detection system for the dual in-line package (DIP) that is widely used in industry, using digital camera optics and a deep learning (DL)-based model. The two most common defect categories of DIP are examined: (1) surface defects, and (2) pin-leg defects. However, the lack of defective component images leads to a challenge for detection tasks. To solve this problem, the ConSinGAN is used to generate a suitable-sized dataset for training and testing. Four varieties of the YOLO model are investigated (v3, v4, v7, and v9), both in isolation and with the ConSinGAN augmentation. The proposed YOLOv7 with ConSinGAN is superior to the other YOLO versions in accuracy of 95.50\%, detection time of 285 ms, and is far superior to threshold-based approaches. In addition, the supervisory control and data acquisition (SCADA) system is developed, and the associated sensor architecture is described. The proposed automated defect detection can be easily established with numerous types of defects or insufficient defect data.
- Abstract（参考訳）: 従来の産業部品の欠陥検出は時間がかかり、労働集約的であるため、品質検査担当者に大きな負担がかかり、製品の品質管理が困難になる。
本稿では,デジタルカメラ光学とディープラーニング(DL)モデルを用いて,業界で広く利用されているデュアルインラインパッケージ(DIP)の自動欠陥検出システムを提案する。
DIPの最も一般的な2つの欠陥カテゴリは、(1)表面欠陥、(2)ピンレッグ欠陥である。
しかし、欠陥成分画像の欠如は、検出タスクの課題に繋がる。
この問題を解決するために、ConSinGANを使用して、トレーニングとテストに適したサイズのデータセットを生成する。
YOLOモデルの4種 (v3, v4, v7, v9) を分離およびConSinGAN増強により検討した。
ConSinGANで提案されたYOLOv7は、95.50\%の精度で他のYOLOバージョンより優れ、285msの検知時間は閾値ベースのアプローチよりもはるかに優れている。
また、監視制御・データ取得システム(SCADA)を開発し、関連するセンサアーキテクチャについて述べる。
提案した自動欠陥検出は、様々な種類の欠陥や不十分な欠陥データで容易に確立できる。
関連論文リスト
- YOLO-Based Defect Detection for Metal Sheets [0.0]
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。
論文 参考訳（メタデータ） (2025-09-30T01:56:44Z) - AI-Driven Multi-Stage Computer Vision System for Defect Detection in Laser-Engraved Industrial Nameplates [0.0]
本稿では,レーザーで刻まれた名札を検査し,検証するAI駆動型コンピュータビジョンシステムの概念実証について述べる。
このシステムは91.33%の精度と100%のリコールを達成し、欠陥のあるネームプレートが一貫して検出され、対処されることを保証する。
論文 参考訳（メタデータ） (2025-03-05T11:19:17Z) - Evaluating Vision Transformer Models for Visual Quality Control in Industrial Manufacturing [0.0]
工業生産における機械学習の最も有望なユースケースの1つは、欠陥のある製品の早期発見である。
我々は、異常検出手法とともに、現在の視覚変換器モデルを評価する。
品質管理システムに適したモデルアーキテクチャを実際に選択するためのガイドラインを提示する。
論文 参考訳（メタデータ） (2024-11-22T14:12:35Z) - Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。
現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。
本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T23:52:06Z) - 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) - YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly
Patterns: A Data-Centric Approach [6.142308190194335]
六角形接触孔DSAパターンのデータセットに対して,コヒーレントかつ完全ラベルを得る手法を提案する。
我々は、最先端のニューラルネットワークであるYOLOv8が、最終データセットで0.9mAP以上の欠陥検出精度を達成することを示す。
論文 参考訳（メタデータ） (2023-07-28T12:17:01Z) - Reference-based Defect Detection Network [57.89399576743665]
最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。
第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。
本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
論文 参考訳（メタデータ） (2021-08-10T05:44:23Z) - Computer Vision and Normalizing Flow Based Defect Detection [0.0]
本稿では,オブジェクト検出モデルYOLOとフローベース欠陥検出モデルDifferNetに基づく2段階欠陥検出ネットワークを提案する。
本モデルは,生産ライン監視システムから撮影した実世界のビデオクリップを用いた欠陥検出において,高い堅牢性と性能を有する。
提案モデルでは,単一製品や複数製品の欠陥のない少数のサンプルを学習できる。
論文 参考訳（メタデータ） (2020-12-12T05:38:21Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。