Fugu-MT 論文翻訳(概要): Comparative Analysis of Object Detection Algorithms for Surface Defect Detection

論文の概要: Comparative Analysis of Object Detection Algorithms for Surface Defect Detection

arxiv url: http://arxiv.org/abs/2510.21811v1
Date: Tue, 21 Oct 2025 10:05:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 17:41:21.905968
Title: Comparative Analysis of Object Detection Algorithms for Surface Defect Detection
Title（参考訳）: 表面欠陥検出のための物体検出アルゴリズムの比較解析
Authors: Arpan Maity, Tamal Ghosh,
Abstract要約: 最先端のリアルタイムオブジェクト検出アルゴリズムであるYOLOv11は、他の手法と比較して優れた性能を示した。 YOLOv11の精度と速度の卓越した性能は、NEUデータセットにおける表面欠陥検出の最も効果的なモデルとしての位置を固める。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This article compares the performance of six prominent object detection algorithms, YOLOv11, RetinaNet, Fast R-CNN, YOLOv8, RT-DETR, and DETR, on the NEU-DET surface defect detection dataset, comprising images representing various metal surface defects, a crucial application in industrial quality control. Each model's performance was assessed regarding detection accuracy, speed, and robustness across different defect types such as scratches, inclusions, and rolled-in scales. YOLOv11, a state-of-the-art real-time object detection algorithm, demonstrated superior performance compared to the other methods, achieving a remarkable 70% higher accuracy on average. This improvement can be attributed to YOLOv11s enhanced feature extraction capabilities and ability to process the entire image in a single forward pass, making it faster and more efficient in detecting minor surface defects. Additionally, YOLOv11's architecture optimizations, such as improved anchor box generation and deeper convolutional layers, contributed to more precise localization of defects. In conclusion, YOLOv11's outstanding performance in accuracy and speed solidifies its position as the most effective model for surface defect detection on the NEU dataset, surpassing competing algorithms by a substantial margin.
Abstract（参考訳）: 本稿では,NEU-DET表面欠陥検出データセットにおける6つの顕著な物体検出アルゴリズム(YOLOv11, RetinaNet, Fast R-CNN, YOLOv8, RT-DETR, DETR)の性能を比較する。各モデルの性能は、スクラッチ、インクルージョン、ロールインスケールなど、さまざまな欠陥タイプにわたる検出精度、速度、堅牢性について評価された。最先端のリアルタイムオブジェクト検出アルゴリズムであるYOLOv11は、他の手法よりも優れた性能を示し、平均して70%高い精度を達成した。この改善は、YOLOv11の強化された機能抽出機能と、イメージ全体を単一のフォワードパスで処理できることによるもので、小さな表面欠陥の検出を迅速かつ効率的に行うことができる。さらに、改良されたアンカーボックス生成やより深い畳み込み層といったYOLOv11のアーキテクチャ最適化は、欠陥のより正確なローカライズに寄与した。結論として、YOLOv11の精度と速度における卓越した性能は、NEUデータセットにおける表面欠陥検出の最も効果的なモデルとしての地位を固め、競合するアルゴリズムをかなりのマージンで上回っている。

関連論文リスト

The Impact of Image Resolution on Face Detection: A Comparative Analysis of MTCNN, YOLOv XI and YOLOv XII models [0.0]
入力解像度が3つの深層学習に基づく顔検出装置(YOLOv11, YOLOv12, MTCNN)の精度と堅牢性に及ぼす影響を系統的に検討した。その結果, YOLOv11 は YOLOv12 と MTCNN よりも高い精度, 特に高分解能で優れていた。本研究は、様々な操作制約に適合する解像度認識顔検出モデルを選択するための実用的な洞察を提供する。
論文参考訳（メタデータ） (2025-07-31T08:41:33Z)
VR-YOLO: Enhancing PCB Defect Detection with Viewpoint Robustness Based on YOLO [1.9861949351136194]
YOLOv8モデルに基づくVR-YOLOと呼ばれるPCB欠陥検出アルゴリズムを提案する。本アルゴリズムは,現実的なアプリケーションシナリオにおいて,モデルの一般化性能を改善し,視点の堅牢性を高めることを目的としている。
論文参考訳（メタデータ） (2025-06-30T10:50:04Z)
YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
高精度で軽量な物体検出器YOLOv13を提案する。ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
論文参考訳（メタデータ） (2025-06-21T15:15:03Z)
Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文参考訳（メタデータ） (2024-11-28T13:04:45Z)
Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Cutting-Edge Detection of Fatigue in Drivers: A Comparative Study of Object Detection Models [0.0]
本研究は, YOLOv5, YOLOv6, YOLOv7, YOLOv8を含む, 近代的な物体検出アルゴリズムに基づく疲労検出システムの開発について述べる。これらのモデルの性能を比較することで,運転者の疲労関連行動のリアルタイム検出の有効性を評価する。この研究は、環境変動や検出精度といった課題に対処し、リアルタイム検出を強化するロードマップを提案する。
論文参考訳（メタデータ） (2024-10-19T08:06:43Z)
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)
Lightweight Object Detection: A Study Based on YOLOv7 Integrated with ShuffleNetv2 and Vision Transformer [0.0]
本研究は、モバイルプラットフォーム上での運用効率と速度を向上させるために、YOLOv7アルゴリズムの最適化をゼロにする。実験結果から, 改良されたYOLOモデルは優れた性能を示した。
論文参考訳（メタデータ） (2024-03-04T05:29:32Z)
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)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)

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。