論文の概要: CableDex: Cable Length Estimation on Industrial Reels Using a Handheld Device
- arxiv url: http://arxiv.org/abs/2608.09392v1
- Date: Mon, 10 Aug 2026 10:19:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.20553
- Title: CableDex: Cable Length Estimation on Industrial Reels Using a Handheld Device
- Title（参考訳）: ケーブルDex:携帯端末を用いた産業用リールのケーブル長推定
- Abstract要約: CableDexは、携帯電話で撮影した1枚の写真から産業用リールのケーブル長の時間的および不正確な測定を行うコンピュータビジョンシステムである。
このシステムは、カメラキャリブレーション、インスタンスセグメンテーション、ポーズ推定、ボリューム計算を組み合わせて、5種類のリールタイプと様々なケーブルサイズでケーブルの長さを推定する。
- 参考スコア（独自算出の注目度）: 2.461575510055099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: CableDex is a computer vision system that addresses the time-consuming and inaccurate manual measurement of cable length on industrial reels from a single photograph captured with a mobile phone. The system combines camera calibration, instance segmentation, pose estimation, and volumetric calculation to estimate the cable length across five different reel types and various cable sizes. This system is based on an instance segmentation model trained on 1,000 manually annotated images, achieving 99.5\% mAP50 with an inference time of 5.66 ms per image. Evaluated on 75 reels across five reel types, the system achieves a MAPE of 4.90\%, within the 10\% error tolerance commonly accepted in industrial cable-reel measurement. The demonstration presents the end-to-end pipeline, from reel label scanning and image capture to segmentation and length estimation, through the mobile application.
- Abstract（参考訳）: CableDexは、携帯電話で撮影した1枚の写真から産業用リールのケーブル長の時間的および不正確な測定を行うコンピュータビジョンシステムである。
このシステムは、カメラキャリブレーション、インスタンスセグメンテーション、ポーズ推定、ボリューム計算を組み合わせて、5種類のリールタイプと様々なケーブルサイズでケーブルの長さを推定する。
このシステムは1000個の手動でアノテートされた画像に基づいて訓練されたインスタンスセグメンテーションモデルに基づいており、1画像あたり5.66msの推論時間で99.5\%のmAP50を達成した。
5種類のリールに対して75リールの評価を行い、産業用ケーブル・リール測定で一般的に受け入れられる10\%の誤差耐性で4.90\%のMAPEを達成する。
デモでは、リールラベルスキャンやイメージキャプチャからセグメンテーション、長さ推定に至るまで、モバイルアプリケーションを通じてエンドツーエンドのパイプラインを提示する。
関連論文リスト
- FISICA: A Deployed Service for Plantar-Pressure and Posture Assessment with Ontology-Grounded Recommendation [1.4186847433696756]
FISICA(フィシカ)は、実運用で運用されているボディアセスメントおよびレコメンデーションサービスである。
一般APIは0.023秒の中央値で応答し、植物圧解析は0.45秒、推奨値は2.16秒から2.26秒、規則に基づく部分は1秒以下である。
論文 参考訳（メタデータ） (2026-08-29T15:39:22Z) - THETA: Triangulated Hand-State Estimation for Teleoperation and Automation in Robotic Hand Control [0.0]
本稿では,3つのウェブカメラを用いた手指の相対的な関節角度(テータ)を推定するための三角法に基づくトラッキング手法を提案する。
リアルタイム推論では、THETAは同時フレームをキャプチャし、ハンドリージョンをセグメント化し、それらをフィルタリングし、分類のための9チャネルテンソルをコンパイルする。
THETAは、医療、言語、製造の分野でコスト効率が高く、ユーザフレンドリーな遠隔操作を実現する可能性がある。
論文 参考訳（メタデータ） (2026-01-12T17:50:02Z) - Autonomously Unweaving Multiple Cables Using Visual Feedback [27.549099502088875]
ケーブルは変形可能であり、結び目と複数の織布のセグメントの組み合わせを持つことができる。
本稿では、視覚フィードバックを利用して、ゆるく絡み合ったケーブルの束を解き放つ方法を提案する。
上記の認識計画処理を繰り返すことで、電線や靴紐を84%の成功率で解織できることを実験的に実証した。
論文 参考訳（メタデータ） (2025-12-13T21:42:45Z) - Towards Viewpoint Robustness in Bird's Eye View Segmentation [85.99907496019972]
AV知覚モデルがカメラ視点の変化にどのように影響するかを考察する。
投機時のピッチ、ヨー、深さ、高さへの小さな変化は、大きな性能低下につながる。
本稿では,新しいビュー合成技術を導入し,収集したデータをターゲットリグの視点に変換する手法を提案する。
論文 参考訳（メタデータ） (2023-09-11T02:10:07Z) - Automatic High Resolution Wire Segmentation and Removal [54.65877883437031]
ワイヤーとパワーラインは、しばしば写真の美学を損なう一般的な視覚的障害である。
本稿では,線分別・除去・塗布過程を数秒以内で容易に行う自動ワイヤクリーンアップシステムを提案する。
論文 参考訳（メタデータ） (2023-04-01T04:24:12Z) - 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) - DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
ラインセグメントは、視覚タスクでますます使われています。
画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。
我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
論文 参考訳（メタデータ） (2022-12-15T12:36:49Z) - Autonomously Untangling Long Cables [79.09016120505088]
ケーブルは多くの設定でユビキタスですが、セルフオクルージョンや結び目が多いです。
本稿では,二足歩行ロボットを用いて,最大3mのケーブルを自律的にアンハングリングすることに焦点を当てた。
我々は,この作業に特化した長尺ケーブルと新しい顎を効率的に切り離す新しい動作プリミティブを開発した。
論文 参考訳（メタデータ） (2022-07-16T02:35:09Z) - Fully Convolutional Line Parsing [25.80938920093857]
画像から線分を検出する一段階のF-Clip(Fully Convolutional Line Parsing Network)を提案する。
F-Clipは、各行の中央位置、長さ、角度で予測することで、ラインセグメントをエンドツーエンドで検出する。
広範な実験を行い,本手法が効率と精度のトレードオフを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-04-22T17:41:12Z) - Rescaling Egocentric Vision [48.57283024015145]
本稿では,エゴセントリックビジョンにおける最大のデータセットであるEPIC-KITCHENSを拡張するパイプラインを紹介する。
この取り組みは、100時間20Mフレーム、700の可変長ビデオの90KアクションからなるEPIC-KITCHENS-100で頂点に達した。
EPIC-KITCHENS-100は以前のバージョンと比較して、より密度の高い(毎分54%のアクション)アクションとより完全なアクションアノテーション(+128%以上のアクションセグメント)を可能にする新しいパイプラインを使用して注釈付けされている。
論文 参考訳（メタデータ） (2020-06-23T18:28:04Z) - Replacing Mobile Camera ISP with a Single Deep Learning Model [171.49776472948957]
PyNETは、きめ細かい画像復元のために設計された新しいピラミッド型CNNアーキテクチャである。
このモデルは、モバイルカメラセンサーから直接得たRAW Bayerデータを、プロのハイエンドDSLRカメラで撮影した写真に変換するように訓練されている。
論文 参考訳（メタデータ） (2020-02-13T14:22:39Z)
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。