論文の概要: BoardVision: Deployment-ready and Robust Motherboard Defect Detection with YOLO+Faster-RCNN Ensemble

• arxiv url: http://arxiv.org/abs/2510.14389v1
• Date: Thu, 16 Oct 2025 07:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.763608
• Title: BoardVision: Deployment-ready and Robust Motherboard Defect Detection with YOLO+Faster-RCNN Ensemble
• Title（参考訳）: BoardVision: YOLO+Faster-RCNNアンサンブルによる展開対応・ロバストマザーボード欠陥検出
• Authors: Brandon Hill, Kma Solaiman,
• Abstract要約: 本報告では, スクリューの欠如, ファン配線の緩み, 表面傷など, 組立レベルの欠陥を再現可能なフレームワークであるboardVisionを提案する。 我々は、MiracleFactoryマザーボードデータセットの制御条件下で、2つの代表検出器(YOLOv7とFaster R-CNN)をベンチマークする。 我々は,解釈可能なルールによって精度とリコールのバランスをとる,軽量なアンサンブルであるCTVボイタ(Confidence-Temporal Voting)を提案する。
• 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: Motherboard defect detection is critical for ensuring reliability in high-volume electronics manufacturing. While prior research in PCB inspection has largely targeted bare-board or trace-level defects, assembly-level inspection of full motherboards inspection remains underexplored. In this work, we present BoardVision, a reproducible framework for detecting assembly-level defects such as missing screws, loose fan wiring, and surface scratches. We benchmark two representative detectors - YOLOv7 and Faster R-CNN, under controlled conditions on the MiracleFactory motherboard dataset, providing the first systematic comparison in this domain. To mitigate the limitations of single models, where YOLO excels in precision but underperforms in recall and Faster R-CNN shows the reverse, we propose a lightweight ensemble, Confidence-Temporal Voting (CTV Voter), that balances precision and recall through interpretable rules. We further evaluate robustness under realistic perturbations including sharpness, brightness, and orientation changes, highlighting stability challenges often overlooked in motherboard defect detection. Finally, we release a deployable GUI-driven inspection tool that bridges research evaluation with operator usability. Together, these contributions demonstrate how computer vision techniques can transition from benchmark results to practical quality assurance for assembly-level motherboard manufacturing.
• Abstract（参考訳）: マザーボード欠陥検出は、高体積電子部品製造における信頼性を確保するために重要である。 PCB検査の以前の研究は、主に裸板やトレースレベルの欠陥を標的としていたが、完全なマザーボード検査の組立レベル検査は未調査のままである。 本研究では, ネジの欠如, ファン配線の緩み, 表面傷など, 組立レベルの欠陥を再現可能なフレームワークである BoardVision を提案する。 我々は、MiracleFactoryマザーボードデータセットの制御条件下で、YOLOv7とFaster R-CNNの2つの代表検出器をベンチマークし、この領域で最初の体系的な比較を行った。 YOLOは精度が優れているがリコールでは性能が劣る単一モデルの制限を緩和するため,より高速なR-CNNは逆の逆を表現し,より軽量なアンサンブル Confidence-Temporal Voting (CTV Voter) を提案する。 さらに,マザーボードの欠陥検出においてしばしば見過ごされる安定性の課題を強調し,シャープネス,明るさ,方向変化などの現実的な摂動下での堅牢性を評価する。 最後に、運用者のユーザビリティによる研究評価をブリッジする、デプロイ可能なGUI駆動検査ツールをリリースする。 これらのコントリビューションは、コンピュータビジョン技術がベンチマーク結果から、組立レベルのマザーボード製造における実用的な品質保証にどのように移行できるかを示すものである。

関連論文リスト

• Power Battery Detection [91.99787495748218]
  電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。 我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。 PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
  論文  参考訳（メタデータ） (2025-08-11T09:35:25Z)
• MRC-DETR: An Adaptive Multi-Residual Coupled Transformer for Bare Board PCB Defect Detection [11.16242420187823]
  そこで本研究では,PCB 欠陥検査のための新規かつ効率的な検出フレームワーク MRC-DETR を提案する。 特徴表現能力を高めるため,MRDCB(Multi-Residual Directional Coupled Block)を設計する。 非効率な層間情報融合による計算冗長性を低減するため、適応スクリーニングピラミッドネットワーク(ASPN)を導入する。
  論文  参考訳（メタデータ） (2025-07-04T08:42:38Z)
• Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11 [1.6775954077761863]
  本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-01-12T17:26:24Z)
• 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)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• DANet: Enhancing Small Object Detection through an Efficient Deformable Attention Network [0.0]
  我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。 より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。 変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
  論文  参考訳（メタデータ） (2023-10-09T14:54:37Z)
• Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
  本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。 システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
  論文  参考訳（メタデータ） (2021-01-11T08:14:35Z)

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。