論文の概要: Real-Time Industrial Defect Detection on Edge Hardware Using Fine-Tuned YOLOv8: A Systematic Benchmark on the NEU Surface Defect Database and MVTec AD with Automotive & Battery Manufacturing Extensions

• arxiv url: http://arxiv.org/abs/2606.07659v1
• Date: Wed, 03 Jun 2026 12:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.201361
• Title: Real-Time Industrial Defect Detection on Edge Hardware Using Fine-Tuned YOLOv8: A Systematic Benchmark on the NEU Surface Defect Database and MVTec AD with Automotive & Battery Manufacturing Extensions
• Title（参考訳）: YOLOv8によるエッジハードウェアのリアルタイム産業欠陥検出:NEU表面欠陥データベースとMVTec ADのシステムベンチマーク
• Authors: Emmanuel Ezeji Somtochukwu, Nitesh Rijal,
• Abstract要約: 産業用YOLOは、リアルタイムな産業用欠陥検出のための細調整のYOLOv8アーキテクチャ上に構築されたエッジ最適化フレームワークである。 提案するフレームワークは,アクティブな自動車組立ラインに直接配置した場合に,高度に堅牢でゼロ速度性能を示す。
• 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: Automated surface defect detection is critical for ensuring rigorous quality control in high-speed manufacturing environments. While deep learning models offer remarkable accuracy, deploying them on resource-constrained edge hardware without introducing significant latency remains a persistent challenge. This paper presents Industrial-YOLO, an edge-optimized framework built upon a fine-tuned YOLOv8 architecture specifically engineered for real-time industrial defect detection. We conduct a systematic benchmark utilizing the NEU surface defect database for steel sheets and the MVTec AD dataset, supplemented with custom automotive manufacturing extensions representing real-world structural anomalies (scratches, pits, and inclusions). To bridge the gap between algorithmic complexity and edge hardware constraints, target-specific optimizations are introduced via TensorRT and OpenVINO acceleration engines. Experimental results demonstrate that Industrial-YOLO achieves a high-velocity inference speed exceeding 120 FPS on the NVIDIA Jetson Orin platform while maintaining an exceptional mean Average Precision (mAP) of 98.5%. The proposed framework showcases highly robust, zero-latency performance when deployed directly onto an active automotive assembly line, offering a scalable blueprint for next-generation automated optical inspection (AOI) systems.
• Abstract（参考訳）: 表面欠陥の自動検出は、高速製造環境における厳密な品質管理の確保に不可欠である。 ディープラーニングモデルは驚くほどの精度を提供するが、リソースに制約のあるエッジハードウェアにそれらをデプロイすることは、大きなレイテンシを伴わずに、永続的な課題である。 本稿では,リアルタイムの産業欠陥検出に特化して設計したYOLOv8アーキテクチャ上に構築されたエッジ最適化フレームワークであるIndustrial-YOLOについて述べる。 我々は,鋼板のNEU表面欠陥データベースとMVTec ADデータセットを利用して,実世界の構造異常(スクラッチ,ピット,介在物)を表すカスタム自動車製造拡張を補完するシステムベンチマークを行った。 アルゴリズムの複雑さとエッジハードウェアの制約のギャップを埋めるために、ターゲット固有の最適化はTensorRTとOpenVINOアクセラレーションエンジンを介して導入される。 工業用YOLOは、NVIDIA Jetson Orinプラットフォーム上で120FPSを超える高速な推論速度を実現し、平均精度(mAP)は98.5%であることを示す実験結果が得られた。 提案フレームワークは,アクティブな自動車組立ラインに直接展開する際の高堅牢かつゼロレイテンシ性能を示し,次世代自動光学検査(AOI)システムにスケーラブルな青写真を提供する。

関連論文リスト

• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• TinyGLASS: Real-Time Self-Supervised In-Sensor Anomaly Detection [7.978059159334374]
  異常検出は、ラベル付き欠陥サンプルの不足にもかかわらず欠陥を特定する必要がある産業品質管理において重要な役割を担っている。 GLASSのような近年の自己教師型アプローチは、欠陥のないデータのみを用いて通常の視覚パターンを学習し、産業ベンチマークで高い性能を示した。 この研究は、リアルタイムエッジとセンサ内異常検出のために設計されたGLASSフレームワークの軽量な適応であるTinyGLASSを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T12:31:34Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• CrackESS: A Self-Prompting Crack Segmentation System for Edge Devices [5.051837985130048]
  本稿では,コンクリートひび割れの検出・分断を行う新しいシステムであるCrackESSを紹介する。 我々は,3つのデータセット(Khanhhaのデータセット,Crack500,CrackCR)で実験を行い,登山ロボットシステムにおけるCrackESSの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-12-10T05:50:50Z)
• 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)
• LAECIPS: Large Vision Model Assisted Adaptive Edge-Cloud Collaboration for IoT-based Embodied Intelligence System [22.779285672925425]
  エボディード・インテリジェンス(Embodied Intelligence, EI)は、生産システムを動的店舗のフロア環境内で柔軟に知覚し、推論し、適応し、操作することを可能にする。 大規模ビジョンモデルを用いたIoTベースのインボディードインテリジェンスシステムのための適応エッジクラウドコラボレーションフレームワークであるLAECIPSを提案する。 LAECIPSはクラウド上の大きなビジョンモデルをエッジ上の軽量モデルから切り離し、プラグアンドプレイモデルの適応と継続的な学習を可能にする。
  論文  参考訳（メタデータ） (2024-04-16T12:12:06Z)
• SATAY: A Streaming Architecture Toolflow for Accelerating YOLO Models on FPGA Devices [48.47320494918925]
  この作業は、超低レイテンシアプリケーションのために、最先端のオブジェクト検出モデルをFPGAデバイスにデプロイする際の課題に対処する。 YOLOアクセラレータにはストリーミングアーキテクチャ設計を採用しており、チップ上で完全なモデルを深くパイプライン化して実装しています。 データフロー方式でYOLOモデルの動作をサポートする新しいハードウェアコンポーネントを導入し、オンチップメモリリソースの制限に対処するために、オフチップメモリバッファリングを導入する。
  論文  参考訳（メタデータ） (2023-09-04T13:15:01Z)
• High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate Surface Visual Quality Inspection Tailored for Real-World Manufacturing Environments [75.66288398180525]
  光導光板は、医療用照明器具からバックライトテレビディスプレイまで幅広い用途で広く利用されている光学部品である。 本研究では,光ガイド板表面の視覚的品質検査(VQI)を現実の製造環境に適した,完全に統合された,高性能なディープラーニング駆動ワークフローを提案する。 完全統合VQIシステム内のエッジコンピューティング上でのVQIの自動化を実現するため、高コンパクトな深層アンチエイリアス型アテンションコンデンサニューラルネットワーク(LightDefectNetと呼ぶ)が開発された。 LightDetectNetが検出精度を実現する実験
  論文  参考訳（メタデータ） (2022-12-20T20:11:11Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
  TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。 TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
  論文  参考訳（メタデータ） (2021-11-29T04:19:28Z)

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。