論文の概要: Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line

• arxiv url: http://arxiv.org/abs/2606.10699v1
• Date: Tue, 09 Jun 2026 10:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.455792
• Title: Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line
• Title（参考訳）: YOLOv12モデルを用いた生産ライン上のネットワークケーブル(パッチコード)におけるワイヤの正確な色系列の検証
• Authors: Amin Doroodchi, Danial Soleimany,
• Abstract要約: YOLO1オブジェクト検出モデルの12番目のバージョンに基づくインテリジェントシステムを開発し、パッチコード中のワイヤの位置を特定し、正しいカラーシーケンスを検証する。 提案手法は,学習中の単一ステージアーキテクチャと注意機構を利用して,約98%の精度で高精度なワイヤ検出を実現する。 その結果,人為的介入を必要とせず,生産ライン上でのワイヤカラーシークエンシングの精度を確実かつリアルタイムに検証できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the production process of network cables, ensuring the correct color sequence of wire pairs inside the standard connector plays a critical role in the final performance of the cable, as any misplacement or color-ordering error can lead to defective products and impose significant costs. Traditional inspection methods based on visual examination through digital microscopes are typically time-consuming, tedious, and prone to human error. In this study, an intelligent system based on the twelfth version of the YOLO1 object detection model was developed to identify the position and verify the correct color sequence of wires in patch cords. The dataset used consisted of 2,500 images captured from microscopic views of network connectors, which were divided into 70% for training, 15% for validation, and 15% for testing. The proposed model, leveraging a single-stage architecture and attention mechanisms during learning, achieved highly accurate wire detection with approximately 98% precision. Additionally, the overall mean accuracy, classification precision, and recall were around 95%, 99%, and 98%, respectively. The results demonstrate that this system can reliably and in real time verify the correctness of wire color sequencing on the production line without the need for human intervention, thereby reducing human error and enhancing efficiency in the manufacturing process.
• Abstract（参考訳）: ネットワークケーブルの製造工程において、標準コネクタ内のワイヤペアの正しいカラーシーケンスがケーブルの最終性能において重要な役割を果たすことを保証する。 デジタル顕微鏡による視覚検査に基づく従来の検査法は、通常、時間がかかり、退屈で、ヒューマンエラーを起こしやすい。 本研究では, YOLO1オブジェクト検出モデルの12バージョンに基づく知的システムを構築し, パッチコード中のワイヤの位置を同定し, 正確なカラーシーケンスを検証した。 使用したデータセットは、ネットワークコネクタの顕微鏡的ビューから取得した2500の画像で構成され、トレーニングは70%、検証は15%、テストは15%に分割された。 提案手法は,学習中の単一ステージアーキテクチャと注意機構を利用して,約98%の精度で高精度なワイヤ検出を実現する。 また,全体の平均精度,分類精度,リコール率は95%,99%,98%であった。 その結果、人為的介入を必要とせず、製造ライン上でのワイヤカラーシークエンシングの正しさを確実かつリアルタイムに検証し、人為的誤りを低減し、製造工程における効率を向上できることを示した。

関連論文リスト

• Automatic Wire-Harness Color Sequence Detector [0.0]
  本稿では,配線位置の正しさ,コネクタの正しさ,カラーシーケンスの正しさを検証できる半自動機械ビジョンシステムを提案する。 ソリューションはGPV Lanka Pvt. Ltd.にデプロイされ、システムは手作業に比べて100%検出精度と検査時間を44%削減した。
  論文  参考訳（メタデータ） (2025-12-14T08:12:03Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Detection of Spider Mites on Labrador Beans through Machine Learning Approaches Using Custom Datasets [0.0]
  本研究では, 実環境下で収集したRGBおよびNIRデータを, JAI FS-1600D-10GEカメラを用いて, RGBNデータセットを構築することで, 植物病検出のための視覚機械学習手法を提案する。 YOLOv8とシーケンシャルCNNを用いた2段階早期植物病検出モデルを用いて、部分ラベル付きデータセットのトレーニングを行い、単一段階のエンドツーエンドセグメンテーションモデルと比較して3.6%のmAP増加を示した。 ResNet15とシーケンシャルCNNモデルを用いたRGBと比較して、RGBNを用いて平均6.25%の検証精度が向上した。
  論文  参考訳（メタデータ） (2024-02-12T18:57:06Z)
• Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks [14.553374494874374]
  軽量畳み込みニューラルネットワークを用いた合成繊維ロープ画像の損傷検出システム ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。 モデルは96.5%の精度、94.8%の精度、98.3%のリコール、96.5%のF1スコア、99.3%のAUCで他の類似の手法より優れている。
  論文  参考訳（メタデータ） (2023-02-23T11:44:43Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
  深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。 本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。 全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
  論文  参考訳（メタデータ） (2021-10-15T17:57:59Z)
• Intra Order-preserving Functions for Calibration of Multi-Class Neural Networks [54.23874144090228]
  一般的なアプローチは、元のネットワークの出力をキャリブレーションされた信頼スコアに変換する、ポストホックキャリブレーション関数を学ぶことである。 以前のポストホックキャリブレーション技術は単純なキャリブレーション機能でしか機能しない。 本稿では,順序保存関数のクラスを表すニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-15T12:57:21Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。