論文の概要: A Synthetic-Driven Vision System for Assembly Step Recognition
- arxiv url: http://arxiv.org/abs/2607.00129v1
- Date: Tue, 30 Jun 2026 20:08:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.615327
- Title: A Synthetic-Driven Vision System for Assembly Step Recognition
- Title（参考訳）: 組立ステップ認識のための合成駆動型視覚システム
- Abstract要約: 本稿では,現実的なアセンブリシーケンスを自動的に生成し,さらにリアルタイム検査モデルを訓練するシステムを提案する。
1時間以内に特定のタスクに効率よく適用でき、CADモデルと単純なステップ記述しか必要としない。
システム全体としては,高価な実世界のデータ収集やアノテーションを必要とせずに,産業用組立検査のための実用的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 5.6031705142358845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality control in industrial assembly is essential, and real-time monitoring of the assembly process is crucial for preventing costly defects and ensuring production reliability. Vision-based automated inspection offers a powerful solution for such real-time monitoring. However, due to the specialized industrial components and processes, training these models typically relies on task-specific real-world data, which is costly and labor-intensive to collect and annotate. In this paper, we propose a system that automatically generates realistic assembly sequences and further trains real-time inspection models using the synthetic data. It can be efficiently applied to a given task within an hour, requiring only CAD models and simple step descriptions. Focusing on practical challenges, our system integrates a physics-based motion generation module to capture the variance of different human assembly, designs domain-randomized rendering to deal with the environmental complexity and variation, and employs an object-detection-based step recognition module for robust sim-to-real transfer, leading to 92.4% accuracy on a real-world assembly case with 46.7%, 15.8% and 61.2% performance improvement, respectively. Overall, our system provides a practical solution for industrial assembly inspection without requiring expensive real-world data collection and annotation, with the effectiveness validated on real industrial assembly tasks.
- Abstract（参考訳）: 産業組立における品質管理は不可欠であり、コストのかかる欠陥を防止し、生産信頼性を確保するためには、組立プロセスのリアルタイムモニタリングが不可欠である。
ビジョンベースの自動検査は、このようなリアルタイムモニタリングに強力なソリューションを提供する。
しかしながら、専門的な産業コンポーネントやプロセスのため、これらのモデルのトレーニングは一般的にタスク固有の実世界のデータに依存しており、収集や注釈作成には費用がかかり、労力がかかる。
本稿では,現実的な組立シーケンスを自動的に生成し,さらに合成データを用いたリアルタイム検査モデルを訓練するシステムを提案する。
1時間以内に特定のタスクに効率よく適用でき、CADモデルと単純なステップ記述しか必要としない。
現実的な課題に焦点をあて, 異なる人間の組立のばらつきを捉えるために物理系モーション生成モジュールを統合し, 環境の複雑さと変動に対処するためにドメインランダム化レンダリングを設計し, オブジェクト検出に基づくステップ認識モジュールを用いて, 実世界の組立ケースにおいて, 46.7%, 15.8%, 61.2%の精度を実現した。
本システムでは,高コストな実世界のデータ収集やアノテーションを必要とせずに,産業用組立検査の実践的ソリューションを提供し,実産業用組立作業に有効であることを示す。
関連論文リスト
- IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。
まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。
少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文 参考訳（メタデータ） (2026-09-08T07:43:04Z) - MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices [53.94035827454474]
信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。
MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。
実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-24T11:12:50Z) - Prompt-Driven Lightweight Foundation Model for Instance Segmentation-Based Fault Detection in Freight Trains [6.6492664858930475]
本稿では,貨物列車の故障検出に適した軽量なインスタンスセグメント化フレームワークを提案する。
本手法は,タスク固有のプロンプトを自動生成する自己プロンプト生成モジュールを導入することで,セグメンテーションモデルを活用する。
さらに、Tiny Vision Transformerのバックボーンを採用して計算コストを削減し、鉄道監視システムにおけるエッジデバイスへのリアルタイム展開に適したフレームワークを実現する。
論文 参考訳（メタデータ） (2026-03-13T03:56:37Z) - Zero-Shot Multi-Criteria Visual Quality Inspection for Semi-Controlled Industrial Environments via Real-Time 3D Digital Twin Simulation [5.0268543063681195]
RGB-D空間における実シーンとリアルタイムデジタル双対(DT)を比較したポーズに依存しないゼロショット品質検査フレームワークを提案する。
提案手法は,オブジェクト検出とポーズ推定により,産業シーンを意味的に記述することで,効率的なリアルタイムDTレンダリングを実現する。
軸流モータの品質検査を特徴とする自動車用ユースケースに基づいて,本フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2025-11-28T14:19:31Z) - A Synthetic Data Pipeline for Supporting Manufacturing SMEs in Visual Assembly Control [0.0]
本稿では,統合可能かつデータ効率のよいビジュアルアセンブリ制御のための新しい手法を提案する。
提案手法は,コンピュータ支援設計(CAD)データとオブジェクト検出アルゴリズムに基づくシミュレートされたシーン生成を利用する。
その結果,製造環境における画像データ生成に要する時間を短縮するパイプラインが得られた。
論文 参考訳（メタデータ） (2025-09-16T13:48:55Z) - Learning-based Stage Verification System in Manual Assembly Scenarios [2.517043342442487]
本研究では,最小限の視覚センサの使用制限下での正確なモニタリングを実現するための新しい手法を提案する。
同一のタイムスタンプからの状態情報を統合することで, 組立プロセスの現段階を92%を超える平均精度で検出し, 確認する。
論文 参考訳（メタデータ） (2025-07-23T08:10:27Z) - Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。
このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。
以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
論文 参考訳（メタデータ） (2025-05-12T14:05:23Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - Industrial object, machine part and defect recognition towards fully
automated industrial monitoring employing deep learning. The case of
multilevel VGG19 [0.0]
現代の産業は、商品の自動生産を監視するための近代的なソリューションを必要としている。
我々は,Multipath VGG19と呼ばれるVirtual Geometry Group (VGG) ネットワークの改良版を提案する。
具体的には、6つの画像データセットのうち5つで上位分類性能が達成され、平均分類改善は6.95%であった。
論文 参考訳（メタデータ） (2020-11-23T10:05:50Z)
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。