論文の概要: A novel YOLO26-MoE optimized by an LLM agent for insulator fault detection considering UAV images
- arxiv url: http://arxiv.org/abs/2605.19595v1
- Date: Tue, 19 May 2026 09:40:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.255641
- Title: A novel YOLO26-MoE optimized by an LLM agent for insulator fault detection considering UAV images
- Title（参考訳）: UAV画像を考慮した絶縁体故障検出のためのLLMエージェントを用いたYOLO26-MoE
- Authors: João Pedro Matos-Carvalho, Laio Oriel Seman, Stefano Frizzo Stefenon, Mohammad Khalaf Mohammad Khreasat, Gabriel Villarrubia González,
- Abstract要約: 本稿では, YOLO26検出器の高分解能分岐に, スパースミクチャー・オブ・エクササイズ(MoE)モジュールを組み込んだ新しいオブジェクト検出アーキテクチャであるYOLO26-MoEを提案する。
提案手法は, 1段階検出フレームワークの効率を保ちつつ, 微妙で多様な断層パターンに対する適応的特徴改善を可能にする。
- 参考スコア（独自算出の注目度）: 2.2672499384619993
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The inspection of electrical power line insulators is essential for ensuring grid reliability and preventing failures caused by damaged or degraded insulation components. In recent years, Unmanned Aerial Vehicles (UAVs) combined with deep learning-based vision systems have emerged as an effective solution for automating this process. However, insulator fault detection remains challenging due to small defect regions, heterogeneous fault patterns, complex backgrounds, and varying imaging conditions. To address these challenges, this paper proposes an optimized YOLO26-MoE, a novel object detection architecture that integrates a sparse Mixture-of-Experts (MoE) module into the high-resolution branch of the YOLO26 detector. The proposed modification enables adaptive feature refinement for subtle and diverse fault patterns while preserving the efficiency of a one-stage detection framework. Hyperparameter optimization, final training, and evaluation were coordinated through a tool-augmented Large Language Model (LLM) agent. The proposed model achieved 0.9900 mAP@0.5 and 0.9515 mAP@0.5:0.95, outperforming the latest YOLO versions. These results demonstrate that the proposed model provides an effective and reliable solution for UAV-based insulator fault detection.
- Abstract（参考訳）: 電力線絶縁体の検査は、グリッドの信頼性を確保し、損傷または劣化した絶縁部品による故障を防止するために不可欠である。
近年,無人航空機(UAV)と深層学習に基づく視覚システムの組み合わせが,このプロセスを自動化する効果的なソリューションとして浮上している。
しかし、絶縁体断層検出は、小さな欠陥領域、不均一な断層パターン、複雑な背景、様々な画像条件のために依然として困難である。
これらの課題に対処するために, YOLO26 検出器の高分解能分岐に, 疎混合型 (MoE) モジュールを組み込んだ新しいオブジェクト検出アーキテクチャ YOLO26-MoE を提案する。
提案手法は, 1段階検出フレームワークの効率を保ちつつ, 微妙で多様な断層パターンに対する適応的特徴改善を可能にする。
ツール拡張大型言語モデル(LLM)エージェントを用いて、ハイパーパラメータ最適化、最終訓練、評価をコーディネートした。
提案されたモデルは0.9900 mAP@0.5 と 0.9515 mAP@0.5:0.95 を達成し、最新の YOLO を上回りました。
これらの結果は,提案モデルがUAVベースの絶縁体故障検出に有効かつ信頼性の高いソリューションであることを示す。
関連論文リスト
- Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。
本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。
高いID分類性能を維持しながら強力なOOD検出を実現する。
論文 参考訳（メタデータ） (2026-04-02T04:00:57Z) - Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
リプシッツ規則化物体検出(LROD)
本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。
ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
論文 参考訳（メタデータ） (2025-10-28T09:41:42Z) - YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。
YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。
このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
論文 参考訳（メタデータ） (2025-10-11T09:44:00Z) - YOLO Ensemble for UAV-based Multispectral Defect Detection in Wind Turbine Components [12.174346896225153]
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。
論文 参考訳（メタデータ） (2025-09-04T12:32:04Z) - MASF-YOLO: An Improved YOLOv11 Network for Small Object Detection on Drone View [0.0]
マルチスケールコンテキストアグリゲーションとスケール適応型フュージョンYOLO(MASF-YOLO)を提案する。
UAV画像における小物体検出の難しさに対処するため,小型物体の検出精度を大幅に向上させるMFAM(Multi-scale Feature Aggregation Module)を設計した。
第3に,マルチスケール機能融合機能を強化したDASI(Dimension-Aware Selective Integration Module)を導入する。
論文 参考訳（メタデータ） (2025-04-25T07:43:33Z) - 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) - Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example [3.334973867478745]
道路被害検知(RDD)は,都市部における日常のメンテナンスと安全のために重要である。
現在のUAVベースのRDD研究は、まだ多くの課題に直面している。
背景干渉を自動的に除去できるマルチスケール適応道路損傷検出モデルを設計する。
論文 参考訳（メタデータ） (2024-09-04T09:03:47Z) - MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。
ViT法はトランスの表現性を生かし,優れた検出性能を実現する。
この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
論文 参考訳（メタデータ） (2024-04-12T13:02:08Z) - 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)
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。