論文の概要: Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
- arxiv url: http://arxiv.org/abs/2610.34304v1
- Date: Sun, 25 Oct 2026 14:14:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.575988
- Title: Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
- Title（参考訳）: Raspberry Pi 5上のエッジTPU加速YOLOv11によるリアルタイムコンベヤベルト欠陥検出
- Abstract要約: リアルタイムコンベヤベルト欠陥検出のためのエンド・ツー・エンド・エンド・ローパワーエッジAIビジョンシステムを提案し,実装し,検証する。
システムは、Google Coral Edge TPUコプロセッサによって加速されるRaspberry Pi 5にデプロイされる。
システムは30-40 FPSの安定スループットを320x320の解像度で達成し、エンドツーエンドのレイテンシは70-90msである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conveyor belts are vital arteries in continuous bulk material handling, particularly in heavy process industries such as cement manufacturing. Undetected structural anomalies (longitudinal tears, holes, degraded patch repairs, and impact punctures) cause catastrophic belt snapping, costly downtime, and severe safety hazards. While deep learning offers high accuracy, existing models rely on power-hungry workstation GPUs, hindering practical deployment at remote industrial edge points. In this paper, we propose, implement, and validate an end-to-end, low-power edge AI vision system for real-time conveyor belt defect detection deployed on a Raspberry Pi 5 accelerated by a Google Coral Edge TPU coprocessor. The system leverages an optimized YOLOv11 nano (YOLOv11n) architecture trained on a multi-source industrial corpus exceeding 3,000 augmented samples from an operational cement plant in West Java, open-source datasets, and automated captures. The model undergoes post-training full integer quantization (INT8) compiled for systolic tensor execution. Experimental results demonstrate robust detection capability, achieving precision of 0.742, recall of 0.730, and mAP@0.5 of 0.764 across four defect classes. Deployed on-site in an IP-rated enclosure interfaced with an RTSP PoE industrial camera, the system achieves stable throughput of 30-40 FPS at 320x320 resolution with an end-to-end latency of 70-90 ms. Operational profiling under harsh clinker dust confirms thermal equilibrium at 55 +/- 5 deg C on the host CPU and ~65 deg C on the Edge TPU with zero frame loss. This demonstrates that edge AI bridges the gap between high-accuracy computer vision and cost-effective predictive maintenance in continuous manufacturing.
- Abstract（参考訳）: コンベヤベルト(Conveyor belt)は、特にセメント製造のような重プロセス産業において、連続したバルク材料処理において重要な動脈である。
検出されていない構造異常(縦断的な裂け目、穴、劣化したパッチの修理、衝撃パンク)は、破滅的なベルトのスナップ、高価なダウンタイム、重度の安全上の危険を引き起こす。
ディープラーニングは高い精度を提供するが、既存のモデルは電力不足のワークステーションGPUに依存しており、リモート産業のエッジポイントでの実践的なデプロイメントを妨げる。
本稿では,Google Coral Edge TPUコプロセッサで高速化されたRaspberry Pi 5上に実装されたリアルタイムコンベヤベルト欠陥検出のための,エンド・ツー・エンドの低消費電力エッジAIビジョンシステムを提案する。
このシステムは、最適化されたYOLOv11 nano (YOLOv11n)アーキテクチャを活用し、ウェストジャワのオペレーショナルセメント工場から3000以上の増設サンプル、オープンソースのデータセット、自動キャプチャーを多ソースの産業用コーパスでトレーニングする。
このモデルは、シストリックテンソル実行のためにコンパイルされた完全な整数量子化(INT8)を後学習する。
実験の結果、堅牢な検出能力を示し、4つの欠陥クラスで0.742の精度、0.730のリコール、mAP@0.5の0.764のリコールを実現した。
RTSP PoEインダストリアルカメラと接続されたIPレートの囲いに配置され、30-40 FPSの安定スループットを320x320の解像度で達成し、エンドツーエンドのレイテンシは70-90msと、厳しいクリンカーダスト下での動作プロファイリングにより、ホストCPU上の55 +/-5 deg C、フレームロスゼロのEdge TPU上の65 deg Cで熱平衡が確認される。
これは、エッジAIが、高い精度のコンピュータビジョンと、継続的な製造におけるコスト効率の高い予測保守の間のギャップを埋めることを示している。
関連論文リスト
- SoRoMoX: Fast, Differentiable, and Parallelizable Soft Robot Models [40.64972837908431]
SoRoMoXは、統一された制御可能なインターフェースを通じて、明瞭な、Piecewise Constant Strain、および可変ストレインモデルを実装している。
連続したCPUロールアウトは最先端の代替よりも18.1倍速く、GPU並列ロールアウトはスループットを最大234.6倍向上させる。
論文 参考訳（メタデータ） (2026-08-06T23:31:47Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Embedded Arena: Iterative Optimization via Hardware Feedback [44.54626665766497]
エージェント共最適化は、精度が3.3%、オーディオが400倍、特徴誤差が6%の視覚モデルに対して250倍の圧縮を達成する。
Elk検出カメラトラップ(96.7%精度)と音声書き起こしウェアラブル(8.44%FER)の2つの実世界のシステムにおける実用的影響を実証する。
論文 参考訳（メタデータ） (2026-06-15T04:04:23Z) - EdgeZSAD: Practical Zero-Shot Anomaly Detection on Edge Devices [0.0]
産業検査には、エッジデプロイメント制約の下でも有用であるゼロショット異常検出(ZSAD)が必要である。
We study this regime through EdgeZSAD, a compact reference system built around a TinyViT-21M-512 backbone。
ソーストレーニングされたターゲット不明のプロトコルで1つのチェックポイントをトレーニングし、6つの産業ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-15T02:17:46Z) - Real-Time Industrial Defect Detection on Edge Hardware Using Fine-Tuned YOLOv8: A Systematic Benchmark on the NEU Surface Defect Database and MVTec AD with Automotive & Battery Manufacturing Extensions [0.0]
産業用YOLOは、リアルタイムな産業用欠陥検出のための細調整のYOLOv8アーキテクチャ上に構築されたエッジ最適化フレームワークである。
提案するフレームワークは,アクティブな自動車組立ラインに直接配置した場合に,高度に堅牢でゼロ速度性能を示す。
論文 参考訳（メタデータ） (2026-06-03T12:39:16Z) - Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - TinyGLASS: Real-Time Self-Supervised In-Sensor Anomaly Detection [7.978059159334374]
異常検出は、ラベル付き欠陥サンプルの不足にもかかわらず欠陥を特定する必要がある産業品質管理において重要な役割を担っている。
GLASSのような近年の自己教師型アプローチは、欠陥のないデータのみを用いて通常の視覚パターンを学習し、産業ベンチマークで高い性能を示した。
この研究は、リアルタイムエッジとセンサ内異常検出のために設計されたGLASSフレームワークの軽量な適応であるTinyGLASSを紹介する。
論文 参考訳（メタデータ） (2026-03-17T12:31:34Z) - Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled Hierarchical Inference Network [0.0]
本稿では,予測保守のためのエッジセンサネットワーク(ESN-PdM)を紹介する。
ESN-PdMはエッジデバイス、ゲートウェイ、クラウドサービスにまたがる階層的推論フレームワークで、リアルタイムな状態監視を行う。
システムは、正確性、レイテンシ、バッテリー寿命のトレードオフに基づいて、デバイス、オンゲートウェイ、あるいはクラウド上の推論位置を動的に調整する。
論文 参考訳（メタデータ） (2024-11-11T17:48:04Z) - Real-Time Model-Free Deep Reinforcement Learning for Force Control of a
Series Elastic Actuator [56.11574814802912]
最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。
モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。
深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
論文 参考訳（メタデータ） (2023-04-11T00:51:47Z) - FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。
FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
論文 参考訳（メタデータ） (2023-02-05T12:13:27Z)
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。