論文の概要: AI Visual Inspection for Garment Production

• arxiv url: http://arxiv.org/abs/2608.21426v1
• Date: Sun, 16 Aug 2026 15:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.90058
• Title: AI Visual Inspection for Garment Production
• Title（参考訳）: ガーメント生産のためのAIビジュアル検査
• Abstract要約: 衣料製造は、製品品質の向上、コスト削減、産業4.0へのデジタルトランスフォーメーションの加速に圧力がかかっている。 最も難しい品質管理活動の1つは縫製ライン検査であり、手作業による縫製や欠縫などの欠陥を一貫して検出することは困難である。 本研究では, 縫製ライン品質管理のための人工知能を用いた視覚検査システムの開発と検証を行う。
• 参考スコア（独自算出の注目度）: 0.45963702407999235
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The garment manufacturing industry is under increasing pressure to improve product quality, reduce costs, and accelerate digital transformation toward Industry 4.0. One of the most challenging quality-control activities is sewing-line inspection, where defects such as broken stitches and skipped stitches are difficult to detect consistently through manual inspection. Human-based inspection is often affected by fatigue, subjective judgement, and inconsistent performance, resulting in defect leakage, rework, and reduced production efficiency. This study presents the development and validation of an Artificial Intelligence (AI)-based visual inspection system for garment sewing-line quality control. The system utilizes Convolutional Neural Networks (CNNs) to detect sewing defects and was initially trained using black fabric and black sewing thread samples. Experimental testing was conducted on black, red, dark green, light blue, silver, and fluorescent yellow fabrics. The results demonstrated successful detection of jump sewing-line defects on black, red, and dark green materials, while performance limitations were observed for broken sewing-line defects and fabrics with significantly different visual characteristics, including light blue, silver, and fluorescent yellow colours. These findings indicate that model accuracy is strongly influenced by the diversity of training data and the ability to generalize across different fabric and thread colours.
• Abstract（参考訳）: 衣料工業は、製品品質の向上、コスト削減、産業4.0へのデジタルトランスフォーメーションの加速に圧力がかかっている。 最も難しい品質管理活動の1つは縫製ライン検査であり、手作業による縫製や欠縫などの欠陥を一貫して検出することは困難である。 人間による検査は、しばしば疲労、主観的判断、一貫性のないパフォーマンスに影響され、欠陥の漏れ、再作業、生産効率の低下をもたらす。 本研究では, 縫製ライン品質管理のための人工知能を用いた視覚検査システムの開発と検証を行う。 このシステムは、CNN(Convolutional Neural Networks)を使用して縫製欠陥を検出し、当初は黒い布と黒い縫製糸のサンプルを使用して訓練された。 実験は黒、赤、ダークグリーン、水色、銀、蛍光黄色の布地で行った。 その結果, 黒, 赤, ダークグリーン材料のジャンプ縫製ライン欠陥の検出に成功し, また, 水色, 銀色, 蛍光黄色などの視覚的特性の異なる縫製ライン欠陥や布地に対して, 性能上の限界が認められた。 これらの結果から,モデルの精度はトレーニングデータの多様性と異なる布地や糸の色をまたいだ一般化能力に強く影響されていることが示唆された。

関連論文リスト

• Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-09T10:59:16Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Distillation-based fabric anomaly detection [4.287890602840307]
  非教師なしテクスチャ異常検出は、多くの産業プロセスにおいて問題となっている。 本稿では, ファブリック欠陥検出のための新しい逆蒸留法を提案する。 当社のアプローチには,高レベルの機能を戦略的に強調する,巧妙な設計選択が伴います。
  論文  参考訳（メタデータ） (2024-01-04T14:10:38Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Effective Transfer of Pretrained Large Visual Model for Fabric Defect Segmentation via Specifc Knowledge Injection [15.171188183349395]
  本研究では,繊維欠陥の専門知識をSAM(Segment Anything Model)に注入する革新的な手法を提案する。 ファブリック欠陥関連パラメータのユニークなセットを導入し、訓練することにより、このアプローチはドメイン固有の知識をSAMにシームレスに統合する。 実験結果から, 汎用的知識とファブリック特化知識の融合によるモデルセグメンテーション性能の大幅な向上が示された。
  論文  参考訳（メタデータ） (2023-06-28T13:08:08Z)
• SolderNet: Towards Trustworthy Visual Inspection of Solder Joints in Electronics Manufacturing Using Explainable Artificial Intelligence [70.60433013657693]
  エレクトロニクス製造において、半田接合部の欠陥は様々なプリント基板部品に影響を及ぼす一般的な問題である。 半田関節の欠陥を特定・修正するために、回路基板上の半田関節は通常、訓練された人間の検査官によって手動で検査される。 本研究では,半田関節の視覚検査に適した,説明可能な深層学習に基づく視覚品質検査システムについて述べる。
  論文  参考訳（メタデータ） (2022-11-18T15:02:59Z)
• 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)
• Convolutional neural networks and multi-threshold analysis for contamination detection in the apparel industry [0.0]
  この研究は、完成品の小さな部品が与える汚染を自動的に検出するものである。 検出器は実際の生産工場に配備された。
  論文  参考訳（メタデータ） (2022-07-26T08:21:41Z)
• Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
  本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。 システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
  論文  参考訳（メタデータ） (2021-01-11T08:14:35Z)
• Automatic Defect Detection of Print Fabric Using Convolutional Neural Network [0.0]
  画像処理と機械学習技術を用いた自動欠陥検出システムに関する現代の研究は異なっている。 研究チームは、織り中にリアルタイムな欠陥検出システムを構築することもできた。 この研究は、プリントファブリックデータベースを開発し、深い畳み込みニューラルネットワークを実装することで、このギャップを埋めた。
  論文  参考訳（メタデータ） (2021-01-03T20:56:56Z)

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。