YOLO12を基盤としたA2C2f-CGLU特徴強化によるダウンフェザー品質分類手法
YOLO12 Down Feather Quality Classification Method Based on A2C2f-CGLU Feature Enhancement
ダウンフェザーの品質評価における手動選別は、検出効率の低さと安定性の悪さという課題を抱えている。本稿では、YOLO12をベースとした微細なコンポーネント検出アルゴリズムを提案し、ダウンフェザーの品質分類を行う。変色フェザー、ダウンフィラメント、未熟ダウン、フェザー、純粋ダウンの5種類を検出対象とし、専用のダウンフェザー物体検出データセット(1140枚)を構築した。微小物体、かすかな境界特徴、類似カテゴリ間の微妙な区別に対するモデルの特徴表現能力を向上させるため、YOLO12のA2C2fモジュールにConvolutional Gated Linear Unit (CGLU)を統合した。元の特徴集約パスと残差アーキテクチャを維持しつつ、ABlock内の従来のMLPフィードフォワードブランチを畳み込みゲート変換に置き換えた。実験の結果、提案手法は検証セットで精度96.50%、再現率94.49%、mAP50 98.05%、mAP50-95 57.89%を達成した。元のYOLO12と比較して、mAP50-95は3.04パーセントポイント向上し、A2C2f-DFFNおよびA2C2f-KANの2つの比較バリアントを上回った。PR曲線、混同行列、実際のテストサンプルの可視化により、提案手法が微小なダウンフェザーターゲットと類似クラスの認識安定性を効果的に向上させることが確認された。本研究は、後続のコンポーネント割合計算、品質等級判定、インテリジェント検出システムの開発に向けた視覚検査の基盤を提供する。
- YOLO12のA2C2fモジュールにConvolutional Gated Linear Unit (CGLU)を統合し、ABlock内のMLPフィードフォワード分岐を畳み込みゲート変換に置き換えた微細物体検出アルゴリズムを提案。
- 変色フェザー、ダウンフィラメント、未熟ダウン、フェザー、純粋ダウンの5クラスを対象とした専用データセット(1140枚)を構築。
- 検証セットで精度96.50%、再現率94.49%、mAP50 98.05%、mAP50-95 57.89%を達成し、元のYOLO12比でmAP50-95が3.04ポイント向上。比較したA2C2f-DFFNおよびA2C2f-KANの2バリアントも上回った。
YOLO12をベースにCGLUを組み込んだ物体検出改良は、アーキテクチャの一部を差し替えるだけでmAP50-95を3.04ポイント改善しており、推論精度の向上手法として汎用性が高い。投資家の観点では、こうした小型・高精度な検出モデルが農業・繊維・食品などアナログ産業の目視検査工程を自動化するユースケースの広がりを示す点が重要で、画像検査・エッジAIベンダーのTAM拡大につながる。ただし本記事は学術的な精度検証に留まり、商用化や導入企業の情報は無いため、個別銘柄への直接的な投資判断材料としては限定的。