記事を読み込み中…

VECTOR

画面を準備しています…

FusionLite-DETR: ドローンによる碍子欠陥検出のための軽量Transformerモデル | Vector | Vector

ダッシュボードに戻る

A.I.AI

FusionLite-DETR: ドローンによる碍子欠陥検出のための軽量Transformerモデル

FusionLite-DETR: A Lightweight Transformer-Based Model for UAV-Based Insulator Defect Detection

MSSensors · MDPI · CC BY 4.02026年10月15日 09:00

AIが原文を翻訳・要約しています

送電線碍子のドローン点検における微小かつ不規則な欠陥検出の課題に対応するため、リアルタイム検出Transformer(RT-DETR)をベースにした軽量モデル「FusionLite-DETR」が提案された。VanillaNetへのDLKA統合、DA-CARAFE、ウェーブレット変換を用いたWTC3、およびInner-MPDIoU損失関数を導入することで、PMIDおよびIFDDデータセットでそれぞれmAP50が95.5%と93.1%を達成した。従来のRT-DETR-R50と比較してパラメータ数を54.8%、計算量を57.4%削減し、19.1Mパラメータおよび54.8 GFLOPsという高効率を実現している。

KEY POINTS要点記事から抽出した重要情報

送電線碍子欠陥検出向けに提案された軽量モデル「FusionLite-DETR」は、従来のRT-DETR-R50と比較してパラメータ数を54.8%、計算量を57.4%削減しつつ、PMIDで95.5%、IFDDで93.1%のmAP50を達成した。

CONTEXT文脈編集部による背景整理

インフラ点検用エッジAIにおける計算効率と精度の両立を示す研究成果であり、ドローンなど計算リソースが制約される端末でのオンデバイスAI実装および点検自動化ソリューションの低コスト化動向として注目できる。

原文を読むAnalyzed at 2026年10月15日 21:03

A.I.AI

改良型RT-DETRモデルを用いたケーブル欠陥検出

RT-DETRを改良したDCGD-RTDETRを提案し、CableInspect-ADデータセットでmAP@0.5が92.4%を達成(元のRT-DETR比+2.7ポイント)
パラメータ数を20.1Mから18.6M、計算コストを58.3 GFLOPsから53.4 GFLOPsへ削減し、精度とモデル複雑性のトレードオフを改善
4回のランダムシード実行では平均mAP@0.5が92.05 ± 0.34%(RT-DETRは90.98 ± 1.10%)だが、統計的有意差はp=0.086で未達

MSSensors · MDPI · CC BY 4.02026年9月22日

A.I.AI

FS-YOLO: マルチレベル特徴融合と局在品質推定に基づく軽量絶縁体欠陥検出手法

軽量絶縁体欠陥検出アルゴリズム「FS-YOLO」を提案。C3k2-CFGLU バックボーン、MBMSFPN ネック、SCDH 検出ヘッド、LAMP プルーニングを組み合わせる。
実験で 0.88M パラメータ、4.1 GFLOPs、精度 93.0%、リコール 88.3%、mAP@0.5 92.9%、mAP@0.5:0.95 62.9% を達成。ベースライン比でパラメータ 65.9%減、計算量 34.9%減、mAP@0.5 は 5.7%増。
他の主流 YOLO バリアントと比較して優れた精度効率トレードオフを示し、電力線検査への応用が想定される。

MSSensors · MDPI · CC BY 4.02026年9月16日

A.I.AI

SA-DETR: RT-DETR-Lに基づく持続可能な低炭素鋼製造のための軽量構造認識欠陥検出モデル

RT-DETR-Lを基盤とする軽量欠陥検出モデルSA-DETRが開発され、O-EHGBlock、ASQS、軽量StarC3の3モジュールを導入した
NEU-DETおよびPCBデータセットの評価で、RT-DETR-L比のmAP@0.5が4.5%向上、パラメータ数36.0%削減、GFLOPs46.5%削減、推論速度103.0 FPSを達成した
リソース制約のある産業用表面検査や持続可能な鋼材品質管理への応用が想定されている

MSSensors · MDPI · CC BY 4.02026年9月25日

A.I.AI

MAFD-NET: 高解像度リモートセンシング画像における送電鉄塔検出のためのマルチヘッドアテンション動的サンプリング融合ネットワーク

YOLOv11をベースに、Mamba機構と階層的マルチヘッド自己注意を統合したMAFBモジュールをバックボーンに組み込んだMAFD-NETを提案。
ネックにエッジ保存動的アップサンプリング(EPDU)モジュールを設計し、マルチスケール特徴のアライメントを実現。
Duke Power Transmission and Distribution InfrastructureデータセットでmAP0.5 78.26%、リコール75.12%、mIoU 74.87%を達成。

FIFrontiers in Energy Research · CC BY 4.02026年9月11日

A.I.AI

リモートセンシングにおける船舶検出のためのエッジ認識アテンションと浅層ガイド型フュージョン

RT-DETR-sをベースラインに、エッジ応答の強い領域間の相互作用を強化するEdge-Aware Self-Attention (EASA)モジュールを提案。
CBAMアテンションとクロススケールフュージョンを統合したShallow-Guided Deep Fusion (SGDF)モジュールにより、浅層の高解像度コンテキストを深層特徴に注入し小物体検出の空間情報損失を軽減。
WIoUv3損失関数を採用し、リモートセンシング船舶検出に最適な回帰損失を特定。

MSSensors · MDPI · CC BY 4.02026年9月14日

A.I.AI

改良型RT-DETRモデルを用いたケーブル欠陥検出

RT-DETRを改良したDCGD-RTDETRを提案し、CableInspect-ADデータセットでmAP@0.5が92.4%を達成(元のRT-DETR比+2.7ポイント)
パラメータ数を20.1Mから18.6M、計算コストを58.3 GFLOPsから53.4 GFLOPsへ削減し、精度とモデル複雑性のトレードオフを改善
4回のランダムシード実行では平均mAP@0.5が92.05 ± 0.34%(RT-DETRは90.98 ± 1.10%)だが、統計的有意差はp=0.086で未達

MSSensors · MDPI · CC BY 4.02026年9月22日

A.I.AI

FS-YOLO: マルチレベル特徴融合と局在品質推定に基づく軽量絶縁体欠陥検出手法

軽量絶縁体欠陥検出アルゴリズム「FS-YOLO」を提案。C3k2-CFGLU バックボーン、MBMSFPN ネック、SCDH 検出ヘッド、LAMP プルーニングを組み合わせる。
実験で 0.88M パラメータ、4.1 GFLOPs、精度 93.0%、リコール 88.3%、mAP@0.5 92.9%、mAP@0.5:0.95 62.9% を達成。ベースライン比でパラメータ 65.9%減、計算量 34.9%減、mAP@0.5 は 5.7%増。
他の主流 YOLO バリアントと比較して優れた精度効率トレードオフを示し、電力線検査への応用が想定される。

MSSensors · MDPI · CC BY 4.02026年9月16日

A.I.AI

SA-DETR: RT-DETR-Lに基づく持続可能な低炭素鋼製造のための軽量構造認識欠陥検出モデル

RT-DETR-Lを基盤とする軽量欠陥検出モデルSA-DETRが開発され、O-EHGBlock、ASQS、軽量StarC3の3モジュールを導入した
NEU-DETおよびPCBデータセットの評価で、RT-DETR-L比のmAP@0.5が4.5%向上、パラメータ数36.0%削減、GFLOPs46.5%削減、推論速度103.0 FPSを達成した
リソース制約のある産業用表面検査や持続可能な鋼材品質管理への応用が想定されている

MSSensors · MDPI · CC BY 4.02026年9月25日

A.I.AI

MAFD-NET: 高解像度リモートセンシング画像における送電鉄塔検出のためのマルチヘッドアテンション動的サンプリング融合ネットワーク

YOLOv11をベースに、Mamba機構と階層的マルチヘッド自己注意を統合したMAFBモジュールをバックボーンに組み込んだMAFD-NETを提案。
ネックにエッジ保存動的アップサンプリング(EPDU)モジュールを設計し、マルチスケール特徴のアライメントを実現。
Duke Power Transmission and Distribution InfrastructureデータセットでmAP0.5 78.26%、リコール75.12%、mIoU 74.87%を達成。

FIFrontiers in Energy Research · CC BY 4.02026年9月11日

A.I.AI

リモートセンシングにおける船舶検出のためのエッジ認識アテンションと浅層ガイド型フュージョン

RT-DETR-sをベースラインに、エッジ応答の強い領域間の相互作用を強化するEdge-Aware Self-Attention (EASA)モジュールを提案。
CBAMアテンションとクロススケールフュージョンを統合したShallow-Guided Deep Fusion (SGDF)モジュールにより、浅層の高解像度コンテキストを深層特徴に注入し小物体検出の空間情報損失を軽減。
WIoUv3損失関数を採用し、リモートセンシング船舶検出に最適な回帰損失を特定。

MSSensors · MDPI · CC BY 4.02026年9月14日

FusionLite-DETR: ドローンによる碍子欠陥検出のための軽量Transformerモデル

FusionLite-DETR: ドローンによる碍子欠陥検出のための軽量Transformerモデル

関連記事

改良型RT-DETRモデルを用いたケーブル欠陥検出

FS-YOLO: マルチレベル特徴融合と局在品質推定に基づく軽量絶縁体欠陥検出手法

SA-DETR: RT-DETR-Lに基づく持続可能な低炭素鋼製造のための軽量構造認識欠陥検出モデル

MAFD-NET: 高解像度リモートセンシング画像における送電鉄塔検出のためのマルチヘッドアテンション動的サンプリング融合ネットワーク

リモートセンシングにおける船舶検出のためのエッジ認識アテンションと浅層ガイド型フュージョン

関連記事

改良型RT-DETRモデルを用いたケーブル欠陥検出

FS-YOLO: マルチレベル特徴融合と局在品質推定に基づく軽量絶縁体欠陥検出手法

SA-DETR: RT-DETR-Lに基づく持続可能な低炭素鋼製造のための軽量構造認識欠陥検出モデル

MAFD-NET: 高解像度リモートセンシング画像における送電鉄塔検出のためのマルチヘッドアテンション動的サンプリング融合ネットワーク

リモートセンシングにおける船舶検出のためのエッジ認識アテンションと浅層ガイド型フュージョン