개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2024.11
- 수록면
- 2,353 - 2,359 (7page)
이용수
초록· 키워드
오류제보하기
In this study, we developed an AI vision inspection system that overcomes the limitations of traditional rule-based image inspection systems by leveraging the features of object detection AI algorithms to achieve efficiency and scalability. First, we labeled images using the annotation tool LabelImg to create a custom dataset for training object detection models. We selected YOLO (You Only Look Once), SSD (Single Shot Detector), and Faster R-CNN (Region-based Convolutional Neural Networks) algorithms as object detection models and trained them with the custom dataset to compare accuracy and inference speed. The performance metrics for the object detection models were mAP (Mean Average Precision) and inference speed. The test results showed that the accuracy of YOLO, SSD, and Faster R-CNN models were mAP 0.95 (@0.5), 0.957 (@0.5), and 0.959 (@0.5), respectively, and the speeds were 0.39 seconds, 1.02 seconds, and 2.31 seconds, respectively. The Faster R-CNN had the highest accuracy, while YOLO had the fastest inference speed. Finally, we designed a PyQt-based GUI to make the object detection models easily usable by operators on the manufacturing line and developed a user-friendly AI vision inspection platform. Users could select AI models and easily specify the confidence threshold for object classification according to the manufacturing line’s situation through this platform. Additionally, the platform was designed to allow the selection of various products manufactured by our company, considering future scalability. The AI vision inspection platform could detect five types of image defects related to specific part folds, breakages, and damages that the traditional rule-based vision inspection system could not detect. Considering accuracy and inference speed, the YOLO model was deemed the most suitable for operation on the current manufacturing line.
목차
Abstract
1. 서론
2. 본론
3. 실험결과
4. 결론
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
YOLO(v5)네트워크를 활용한 열화상 기반의 객체 인식 알고리즘 성능 분석
유공압건설기계학회 학술대회논문집
2021 .07
-
Sub-Frame Analysis-based Object Detection for Real-Time Video Surveillance
International journal of internet, broadcasting and communication : IJIBC
2019 .01
-
An IoT-Based Object Detection and Alerting System for Livestock Disease Prevention
INTERNATIONAL CONFERENCE ON FUTURE INFORMATION & COMMUNICATION ENGINEERING
2019 .06
-
다양한 재료에서 발생되는 연기 및 불꽃에 대한 YOLO 기반 객체 탐지 모델 성능 개선에 관한 연구
전기전자재료학회논문지
2024 .05
-
Real Time Object Detection Based on YOLO with Feature Filter Bank
한국정보기술학회논문지
2019 .05
-
Fire Detection System using Faster R-CNN
INTERNATIONAL CONFERENCE ON FUTURE INFORMATION & COMMUNICATION ENGINEERING
2017 .06
-
작은 물체 검출을 위한 딥러닝 네트워크 구조
한국자동차공학회 춘계학술대회
2021 .06
-
자율주행을 위한 이미지 시퀀스 기반의 3차원 객체 검출 네트워크
한국자동차공학회 추계학술대회 및 전시회
2021 .11
-
자율주행 차량 영상 기반 객체 인식 인공지능 기술 현황
한국정보통신학회논문지
2021 .08
-
딥 러닝 및 칼만 필터를 이용한 객체 추적 방법
방송공학회논문지
2019 .05
-
딥러닝 모델을 이용한 실시간 객체 검출 기반 어포던스 특징 추출 시스템
제어로봇시스템학회 논문지
2017 .08
-
적외선 열화상 영상에 대한 심층 학습 기반 객체 검출 성능 비교·분석
제어로봇시스템학회 국내학술대회 논문집
2020 .07
-
Design of an Enhanced Object Detection Algorithm through Image Scaling
한국통신학회 학술대회논문집
2021 .06
-
금속 표면의 결함 검출을 위한 영역 기반 CNN 기법 비교
전기학회논문지
2018 .07
-
사용자 요구에 따른 YOLO 알고리즘을 이용한 객체 인식
대한전기학회 학술대회 논문집
2022 .07
-
Real-Time Steel Surface Defect Detection and Classification with Inference Acceleration
제어로봇시스템학회 국제학술대회 논문집
2023 .10
-
사전 학습 모델을 이용한 YOLO 객체 클래스 추가
한국정보통신학회 종합학술대회 논문집
2024 .10
-
Comparison of faster R-CNN models for object detection
제어로봇시스템학회 국제학술대회 논문집
2016 .10
-
영상에서 다중 객체 추적을 위한 CNN 기반의 다중 객체 검출에 관한 연구
반도체디스플레이기술학회지
2019 .01
-
작은 객체 검출을 위한 최적화 딥러닝 네트워크
대한전자공학회 학술대회
2022 .06
최근 본 자료
댓글(0)
0