論文の概要: Synthetic data generation framework for quality control automation in gravure printing

• arxiv url: http://arxiv.org/abs/2607.21577v1
• Date: Thu, 23 Jul 2026 17:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.513051
• Title: Synthetic data generation framework for quality control automation in gravure printing
• Title（参考訳）: グラビア印刷における品質制御自動化のための合成データ生成フレームワーク
• Authors: Korota Arsène Coulibaly, Mohamed Hamlich, Khalid Hmali, Andrea Trombin,
• Abstract要約: 本稿では、回転印刷品質制御に適した新しい合成データ生成フレームワークを提案する。 提案したパイプラインは、特定の印刷欠陥の高忠実度画像を自動的に生成する。 このフレームワークは、実工業試験サンプルで平均平均精度(mAP)が80.9%に達する。
• 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: Quality control in printing, particularly in rotogravure printing, still depends on slow, costly, and subjective manual inspection. Automated surface defect detection is critical for maintaining high-quality standards in rotogravure printing. Deep learning models give prospects for automation. However, training robust deep learning models, such as YOLO or Vision Transformers, is heavily hindered by the extreme scarcity of real-world industrial defects images. To overcome this limitation, this paper introduces a novel synthetic data generation framework tailored for rotogravure printing quality control. The proposed pipeline automatically generates high-fidelity images of specific printing defects (creases, streaks, misregistration, etc.) and outputs corresponding bounding boxes and annotations. To validate the framework, a synthetic dataset of 7533 images was generated and used to train the state-of-the-art object-detection model RFDETR. Experimental results demonstrate that the model trained on our synthetic data achieves a Mean Average Precision (mAP) of 80.9\% on real industrial testing samples. This framework provides a zero-cost, rapid-deployment solution for automating defect inspection in printing lines without requiring massive manual data collection.
• Abstract（参考訳）: 印刷における品質管理、特に回転印刷は、依然として遅く、高価で、主観的な手動検査に依存している。 自動表面欠陥検出は、回転印刷における高品質な標準を維持するために重要である。 ディープラーニングモデルは自動化の見通しを与える。 しかし、YOLOやVision Transformersのような堅牢なディープラーニングモデルのトレーニングは、現実の産業的欠陥画像が極端に不足していることで、大きな障害となる。 この限界を克服するために, 回転印刷品質制御に適した新しい合成データ生成フレームワークを提案する。 提案したパイプラインは、特定の印刷欠陥の高忠実度画像を自動生成し、対応するバウンディングボックスやアノテーションを出力する。 この枠組みを検証するため、7533枚の画像の合成データセットを作成し、最先端の物体検出モデルRFDETRを訓練した。 実験結果から, 実工業試験試料の平均平均精度は80.9\%であることがわかった。 このフレームワークは、大規模な手動データ収集を必要とせず、印刷ラインの欠陥検査を自動化するため、ゼロコストで迅速なデプロイソリューションを提供する。

関連論文リスト

• Radiology Report Generation for Low-Quality X-Ray Images [47.455316078409]
  VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)を備えている。 既存の手法では、暗黙的に高品質な入力を仮定し、実際の臨床環境で流行するノイズやアーティファクトを見渡す。 本稿では,画像品質の変動を考慮したロバストなレポート生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-11T12:42:37Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Fully-Synthetic Training for Visual Quality Inspection in Automotive Production [0.4915744683251149]
  領域ランダム化を用いた合成画像を生成するパイプラインを提案する。 提案手法を実検シナリオで評価し,合成データのみに基づいて訓練された物体検出モデルが実画像上で訓練されたモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-12T12:58:30Z)
• Trimming the Risk: Towards Reliable Continuous Training for Deep Learning Inspection Systems [10.121053770426759]
  産業は、製造検査に深層学習(DL)技術にますます依存している。 有限ラベル付きデータセットは 自然の変化を 包含しないことが多い 我々は,信頼性の高いデータ選択を用いてDLモデルを更新する,頑健なCTベースのメンテナンス手法を開発した。
  論文  参考訳（メタデータ） (2024-09-13T15:02:13Z)
• LLM-3D Print: Large Language Models To Monitor and Control 3D Printing [10.595250438585209]
  産業4.0は、デジタル化を推進し、添加性製造(AM)へのパラダイムシフトによって製造に革命をもたらした。 重要なAM技術であるFDMは、層間押出による最小限の材料廃棄物による、高度にカスタマイズされたコスト効率の高い製品の作成を可能にする。 本稿では,3Dプリンタとともに学習済みのLarge Language Models(LLM)を利用して,印刷欠陥の検出と対処を行うプロセス監視・制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T14:38:19Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• Anytime Sampling for Autoregressive Models via Ordered Autoencoding [88.01906682843618]
  自動回帰モデルは画像生成や音声生成などのタスクに広く使われている。 これらのモデルのサンプリングプロセスは割り込みを許さず、リアルタイムの計算資源に適応できない。 いつでもサンプリングできる新しい自動回帰モデルファミリーを提案します。
  論文  参考訳（メタデータ） (2021-02-23T05:13:16Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。