Defect Detection in Tire X-Ray Images: Conventional Methods Meet Deep Structures

要約

この論文では、ローカル バイナリ パターン (LBP) やグレー レベル共起マトリックス (GLCM) の特徴、さらにフーリエやウェーブレット ベースの特徴などの従来の特徴抽出方法を活用することにより、タイヤの X 線画像で欠陥を自動検出するための堅牢なアプローチを紹介します。
機能は、高度な機械学習技術によって補完されます。
タイヤの X 線画像の複雑なパターンとテクスチャに固有の課題を認識したこの研究では、欠陥検出システムのパフォーマンスを向上させるための特徴エンジニアリングの重要性が強調されています。
これらの機能の組み合わせをランダム フォレスト (RF) 分類器と注意深く統合し、YOLOv8 などの高度なモデルと比較することにより、この研究では、欠陥検出における従来の機能のパフォーマンスのベンチマークを行うだけでなく、古典的なアプローチと最新のアプローチの間の相乗効果も調査しています。
実験結果は、これらの従来の機能を微調整して機械学習モデルと組み合わせることで、タイヤ欠陥検出の精度と信頼性を大幅に向上できることを実証し、タイヤ製造における自動品質保証の新たな標準を確立することを目指しています。

要約(オリジナル)

This paper introduces a robust approach for automated defect detection in tire X-ray images by harnessing traditional feature extraction methods such as Local Binary Pattern (LBP) and Gray Level Co-Occurrence Matrix (GLCM) features, as well as Fourier and Wavelet-based features, complemented by advanced machine learning techniques. Recognizing the challenges inherent in the complex patterns and textures of tire X-ray images, the study emphasizes the significance of feature engineering to enhance the performance of defect detection systems. By meticulously integrating combinations of these features with a Random Forest (RF) classifier and comparing them against advanced models like YOLOv8, the research not only benchmarks the performance of traditional features in defect detection but also explores the synergy between classical and modern approaches. The experimental results demonstrate that these traditional features, when fine-tuned and combined with machine learning models, can significantly improve the accuracy and reliability of tire defect detection, aiming to set a new standard in automated quality assurance in tire manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google