論文の概要: CF-YOLO: Context-Aware Feature Refinement for Camouflaged Industrial Micro-Defect Detection
- arxiv url: http://arxiv.org/abs/2608.28070v1
- Date: Fri, 28 Aug 2026 08:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.255715
- Title: CF-YOLO: Context-Aware Feature Refinement for Camouflaged Industrial Micro-Defect Detection
- Title（参考訳）: CF-YOLO:カモフラージュ産業用マイクロ欠陥検出のためのコンテキスト認識機能強化
- Abstract要約: 本研究では,効率的な文脈認識と特徴改善を目的とした新しいリアルタイム検出フレームワークを提案する。
提案手法はコンテキスト知覚集約モジュール(CPAM)を統合し,マクロテクスチャコンテキストに対するカーネル認識を相乗的に行う。
FARM(Feature Additive Refinement Module)は、細粒度異常の表現をグローバルに検証し洗練するために、線形複雑化付加トークンミキサーを使用する。
- 参考スコア（独自算出の注目度）: 7.071416843550453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated detection of surface micro-defects on industrial components, such as copper tubes, is critically important for quality assurance but remains challenging due to the minute scale of anomalies and their visual camouflage against complex backgrounds. These factors lead to weak feature representations and high rates of false positives and missed detections. To address these issues, we propose a novel real-time detection framework designed for efficient context perception and feature refinement. Our method integrates a Context-Perception Aggregation Module (CPAM), which synergises large-kernel perception for macro-texture context and small-kernel aggregation for sharp boundary delineation, effectively breaking the background camouflage. Furthermore, a Feature Additive Refinement Module (FARM) employs a linear-complexity additive token mixer to globally verify and refine the representation of fine-grained anomalies, suppressing noise-induced errors. To support research in this domain, we introduce the Copper Tube Defect Dataset (CTDD), a manually annotated benchmark containing 1,847 images and 4,898 boundingbox defect instances from copper-tube inspection scenarios. Extensive experiments demonstrate that our detector achieves strong and consistent performance on CTDD, outperforming representative baseline detectors, including YOLOv11, by 2.2% in mAP@50 and 3.9% in Precision while maintaining real-time inference speed. This work provides a robust and efficient solution for high-precision industrial inspection, bridging the gap between contextual understanding and detailed feature analysis. Our code and model are available at: https://github.com/Yu-Xinda/CFYOLO-Context-Aware-Feature-Refinement-for-Camouflaged-Industrial-Micro -Defect-Detection
- Abstract（参考訳）: 銅管などの工業部品表面の微小欠陥の自動検出は品質保証にとって極めて重要であるが、異常の微小スケールと複雑な背景に対する視覚的カモフラージュのために依然として困難である。
これらの要因は、特徴表現の弱さと偽陽性の高率、発見の欠如につながる。
これらの課題に対処するために,効率的な文脈認識と特徴改善を目的とした新しいリアルタイム検出フレームワークを提案する。
提案手法はコンテキスト知覚集約モジュール (CPAM) を統合し, マクロテクスチュアコンテキストに対する大カーネル認識と, シャープ境界デライン化のための小カーネルアグリゲーションを統合し, 背景カモフラージュを効果的に破壊する。
さらに、FARM(Feature Additive Refinement Module)では、線形複雑化付加トークンミキサーを使用して、微細な異常の表現をグローバルに検証し、洗練し、ノイズによるエラーを抑制する。
この領域の研究を支援するために、銅管検査シナリオから1,847のイメージと4,898のバウンディングボックス欠陥インスタンスを含む手動のアノテートベンチマークである銅管欠陥データセット(CTDD)を紹介した。
大規模な実験により,我々の検出器は, YOLOv11を含む代表的ベースライン検出器よりも2.2%のmAP@50, 3.9%の精度で, リアルタイムの推論速度を維持しながら, CTDD上での強い一貫した性能を実現していることが示された。
この研究は、文脈理解と詳細な特徴分析のギャップを埋める、高精度な産業検査のための堅牢で効率的なソリューションを提供する。
https://github.com/Yu-Xinda/CFYOLO-Context-Aware-Feature-Refinement-for-Camouflaged-Industrial-Micro -Defect-Detection
関連論文リスト
- Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts [48.75898711300078]
生成モデルは、非常に現実的なように見えるイメージを生成することができ、実際の画像とAI生成イメージを区別する上での課題を提起する。
局所分布認識検出フレームワークであるマクロフェイク(MDMF)のマイクロ欠陥をマクロレベルの分布不規則性に増幅する。
提案手法は, 局所的な法医学的信号が生成画像に存在する場合, パッチワイド・モデリングにより, 明らかな相違が生じることを示す。
論文 参考訳（メタデータ） (2026-05-10T03:44:09Z) - Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering [8.132909775584395]
本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。
条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。
本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-08T01:53:34Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Fab-ME: A Vision State-Space and Attention-Enhanced Framework for Fabric Defect Detection [4.272401529389713]
YOLOv8sをベースとした先進的なフレームワークであるFab-MEを提案し,20種類のファブリック欠陥を正確に検出する。
コントリビューションには2つのコンボリューション(C2F)ビジョン状態空間(C2F-VMamba)モジュールによるクロスステージ部分ボトルネックの導入が含まれている。
Tianchiファブリック欠陥検出データセットの実験結果から、Fab-MEは元のYOLOv8と比べてmAP@0.5で3.5%改善していることがわかった。
論文 参考訳（メタデータ） (2024-12-04T10:40:17Z) - YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。
本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。
大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
論文 参考訳（メタデータ） (2024-07-22T07:08:22Z) - Joint Attention-Guided Feature Fusion Network for Saliency Detection of
Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。
JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。
SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文 参考訳（メタデータ） (2024-02-05T08:10:16Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Non-contact Sensing for Anomaly Detection in Wind Turbine Blades: A
focus-SVDD with Complex-Valued Auto-Encoder Approach [2.967390112155113]
我々は、FMCWレーダを非破壊検知モードとして利用する製造の品質保証を強化する。
焦点支援ベクトルデータ記述(focus-SVDD)と呼ばれる新しい異常検出手法を提案する。
提案手法の有効性は, 収集データへの適用を通して実証する。
論文 参考訳（メタデータ） (2023-06-19T09:54:34Z) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳（メタデータ） (2021-03-23T08:19:21Z) - CRAUM-Net: Contextual Recursive Attention with Uncertainty Modeling for Salient Object Detection [0.0]
マルチスケールのコンテキストアグリゲーション、高度な注意機構、SOD性能向上のための不確実性認識モジュールを統合した新しいフレームワークを提案する。
我々の適応的クロススケールコンテキストモジュールは、再帰的チャネル空間的注意と畳み込みブロック注意を利用して、機能を複数のレベルから効果的に融合する。
ネットワークを堅牢にトレーニングするために,境界感応性とトポロジカル保存損失関数(Boundary IoU,Focal Tversky,Topological Saliency Los)を組み合わせて,ネットワークの信頼性を高める。
論文 参考訳（メタデータ） (2020-06-04T18:33:59Z)
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。