論文の概要: Lowering the Barrier to AI-Driven Inspection: A No-Code Workflow for Automated Structural Defect Detection

• arxiv url: http://arxiv.org/abs/2608.25176v1
• Date: Tue, 25 Aug 2026 21:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.453019
• Title: Lowering the Barrier to AI-Driven Inspection: A No-Code Workflow for Automated Structural Defect Detection
• Title（参考訳）: AI駆動検査の障壁を低くする - 自動構造欠陥検出のためのノーコードワークフロー
• Abstract要約: 本稿では, オープンソースGUIベースの YOLOEZ モデルアプリケーションについて紹介する。 YOLOEZはデータラベリング、トレーニング、推論を単一のインターフェースに統合し、コードなしで高性能なモデル開発を可能にする。 YOLOEZは、精度とアクセシビリティを組み合わせることで、予測保守、デジタルツイン、インテリジェントな構造システムのためのAI駆動監視をより広く活用する。
• 参考スコア（独自算出の注目度）: 7.373726937500187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural health monitoring (SHM) is essential in modern engineering, providing data for condition-based maintenance, lifecycle assessment, and predictive decision-making. Traditionally, SHM relied on visual inspection to detect defects such as cracks and deformations. Early computer vision (CV) methods, including thresholding, edge detection, and handcrafted features, aimed to automate this process but were highly sensitive to noise, imaging variations, and multiscale defects, limiting their reliability. Recent advances in machine learning, particularly convolutional neural networks (CNNs) and You Only Look Once (YOLO), have improved defect detection accuracy and enabled real-time analysis. However, adoption in SHM remains limited due to technical barriers such as data labeling, model training, and deployment, which typically require programming expertise. To address this gap, we introduce YOLOEZ, an open-source, GUI-based tool for end-to-end YOLO model application. YOLOEZ integrates data labeling, training, and inference into a single interface, enabling high-performance model development without code while supporting reproducible workflows. Evaluation against existing software and classical image processing demonstrates that YOLOEZ not only outperforms traditional methods across most detection metrics, but also lowers adoption barriers present in other modern CV tools. By combining accuracy with accessibility, YOLOEZ facilitates wider use of AI-driven monitoring for predictive maintenance, digital twins, and intelligent structural systems.
• Abstract（参考訳）: 構造的健康モニタリング(SHM)は現代工学において不可欠であり、状態ベースのメンテナンス、ライフサイクルアセスメント、予測的意思決定のためのデータを提供する。 従来、SHMは亀裂や変形などの欠陥を検出するために視覚検査に依存していた。 しきい値検出、エッジ検出、手作り機能を含む初期のコンピュータビジョン(CV)手法は、このプロセスを自動化することを目的としていたが、ノイズ、画像のバリエーション、マルチスケールの欠陥に非常に敏感であり、信頼性を制限した。 機械学習、特に畳み込みニューラルネットワーク(CNN)とYou Only Look Once(YOLO)の最近の進歩は、欠陥検出精度を改善し、リアルタイム分析を可能にした。 しかし、SHMの採用は、一般的にプログラミングの専門知識を必要とするデータラベリング、モデルトレーニング、デプロイメントといった技術的な障壁のために制限されている。 このギャップに対処するために、私たちは、エンドツーエンドのYOLOモデルアプリケーションのためのオープンソースGUIベースのツールであるYOLOEZを紹介します。 YOLOEZはデータラベリング、トレーニング、推論を単一のインターフェースに統合し、再現可能なワークフローをサポートしながら、コードなしで高性能なモデル開発を可能にする。 既存のソフトウェアや古典的な画像処理に対する評価は、YOLOEZが従来の手法よりも多くの検出指標で優れているだけでなく、他の近代的なCVツールにおける採用障壁を低くしていることを示している。 YOLOEZは、精度とアクセシビリティを組み合わせることで、予測保守、デジタルツイン、インテリジェントな構造システムのためのAI駆動監視をより広く活用する。

関連論文リスト

• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization [48.697244055197466]
  ディープフェイク検出は現代のメディア法医学の基本的な構成要素となっている。 既存の手法の多くは計算集約的かつパラメータ重大であり、リソース制約されたエッジデバイスへの展開を制限する。 我々は、ディープフェイク検出に適した最初の量子化フレームワークであるDefakeQを提案し、エッジデバイスへのリアルタイム展開を可能にした。
  論文  参考訳（メタデータ） (2026-04-10T01:09:24Z)
• An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation [2.7082111912355877]
  ASSのリアルタイム検証プロセスから記録を解析するインテリジェントモデルを開発した。 説明可能なAI技術(IGs、DeepLIFT、Gradient SHAP、DeepLIFT SHAP)の活用は、モデル適応と根本原因分析(RCA)の促進に役立った。
  論文  参考訳（メタデータ） (2026-03-09T09:46:28Z)
• Out-of-Distribution Detection for Continual Learning: Design Principles and Benchmarking [44.75780122845172]
  近年、幅広い分野にわたる機械学習モデルの開発が著しい進展を見せている。 これらのモデルは、常に変化する現実世界のシナリオにデプロイされるため、時間とともに信頼性と適応性を維持する能力はますます重要になる。
  論文  参考訳（メタデータ） (2025-12-16T22:50:01Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• AI Agentic Vulnerability Injection And Transformation with Optimized Reasoning [2.918225266151982]
  AVIATORはAIによる最初の脆弱性注入ワークフローである。 高忠実で多様な大規模な脆弱性データセット生成のために、現実的でカテゴリ固有の脆弱性を自動的に注入する。 セマンティック分析、LoRAベースのファインチューニングとRetrieval-Augmented Generationで強化されたインジェクション合成、静的解析とLLMベースの識別器によるインジェクション後の検証を組み合わせる。
  論文  参考訳（メタデータ） (2025-08-28T14:59:39Z)
• Machine Learning Pipeline for Software Engineering: A Systematic Literature Review [0.0]
  この系統的な文献レビューは、ソフトウェア工学(SE)用に設計された最先端の機械学習パイプラインを検証している。 この結果から,データバランシングのためのSMOTEなどの堅牢な前処理がモデルの信頼性を向上させることが示唆された。 ランダムフォレストやグラディエントブースティングのようなアンサンブルメソッドはタスク間でパフォーマンスを支配します。 Best Arithmetic Mean (BAM)のような新しいメトリクスはニッチなアプリケーションに現れている。
  論文  参考訳（メタデータ） (2025-07-31T15:37:30Z)
• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• Detecting and Classifying Defective Products in Images Using YOLO [2.4959391076108255]
  YOLO(You Only Look Once)アルゴリズムは、製品欠陥検出の分野で目立った解決策として登場した。 本研究の目的は, YOLOアルゴリズムを用いて製品画像の欠陥を検出し, 分類することである。 その結果,検出精度を高く保ちながらリアルタイム検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-12-22T09:14:01Z)
• Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
  本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。 本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。 本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:28:38Z)
• 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)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)

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。