論文の概要: Roof fall hazard detection with convolutional neural networks using transfer learning

• arxiv url: http://arxiv.org/abs/2012.03681v1
• Date: Thu, 12 Nov 2020 17:16:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 06:32:55.486475
• Title: Roof fall hazard detection with convolutional neural networks using transfer learning
• Title（参考訳）: 伝達学習を用いた畳み込みニューラルネットワークによるルーフフォールハザード検出
• Authors: Ergin Isleyen, Sebnem Duzgun, McKell R. Carter
• Abstract要約: 地質条件による屋根の落下は、鉱業やトンネル業の主要な安全上の危険である。 この種の屋根の倒壊リスクに対する典型的なハザード管理手法は、視覚検査や専門家の知識に大きく依存している。 本研究では,高水平応力による屋根の落下危険度検出のための人工知能(AI)システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Roof falls due to geological conditions are major safety hazards in mining and tunneling industries, causing lost work times, injuries, and fatalities. Several large-opening limestone mines in the Eastern and Midwestern United States have roof fall problems caused by high horizontal stresses. The typical hazard management approach for this type of roof fall hazard relies heavily on visual inspections and expert knowledge. In this study, we propose an artificial intelligence (AI) based system for the detection roof fall hazards caused by high horizontal stresses. We use images depicting hazardous and non-hazardous roof conditions to develop a convolutional neural network for autonomous detection of hazardous roof conditions. To compensate for limited input data, we utilize a transfer learning approach. In transfer learning, an already-trained network is used as a starting point for classification in a similar domain. Results confirm that this approach works well for classifying roof conditions as hazardous or safe, achieving a statistical accuracy of 86%. However, accuracy alone is not enough to ensure a reliable hazard management system. System constraints and reliability are improved when the features being used by the network are understood. Therefore, we used a deep learning interpretation technique called integrated gradients to identify the important geologic features in each image for prediction. The analysis of integrated gradients shows that the system mimics expert judgment on roof fall hazard detection. The system developed in this paper demonstrates the potential of deep learning in geological hazard management to complement human experts, and likely to become an essential part of autonomous tunneling operations in those cases where hazard identification heavily depends on expert knowledge.
• Abstract（参考訳）: 地質条件による屋根の落下は鉱業やトンネル業の主要な安全上の危険であり、失業、負傷、死亡の原因となっている。 アメリカ合衆国東部と中西部の大規模な石灰岩鉱山には、高い水平応力による屋根の落下問題がある。 この種の屋根の落下危険に対する典型的なハザードマネジメントアプローチは、視覚検査と専門家の知識に大きく依存している。 本研究では,高水平応力による屋根の落下危険度検出のための人工知能(AI)システムを提案する。 危険・非危険屋根条件を表現した画像を用いて,危険屋根条件の自律的検出のための畳み込みニューラルネットワークを開発した。 限られた入力データを補償するために、転送学習手法を用いる。 転送学習では、既に訓練済みのネットワークが、同様のドメインの分類の出発点として使用される。 その結果, 屋根条件を危険あるいは安全と分類し, 86%の統計的精度を得た。 しかし、正確性だけでは、信頼できるハザード管理システムを確保するには不十分である。 ネットワークが使用する機能を理解すると、システムの制約と信頼性が向上する。 そこで我々は,統合勾配と呼ばれる深層学習解釈手法を用いて,各画像の地質学的特徴を推定した。 統合勾配解析は, 屋根の落下危険度検出に関する専門家の判断を模倣していることを示している。 本稿では,人間を補完する地質学的ハザードマネジメントにおける深層学習の可能性を示し,ハザード識別が専門家の知識に大きく依存する場合において,自律トンネル作業の重要な部分となる可能性を示す。

関連論文リスト

• XAI-guided Insulator Anomaly Detection for Imbalanced Datasets [11.215245485606369]
  電力網は多くの産業において重要な要素であり、産業プロセスや技術にシームレスに電気エネルギーを供給している。 ドローンは電力線を検査するためにますます配備され、その結果、高速で正確な処理を必要とする大量の視覚データの流れが生まれる。 ディープラーニング手法はこのタスクで広く普及し、障害検出において貴重な資産であることが証明されている。
  論文  参考訳（メタデータ） (2024-09-25T11:19:42Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• Competency-Aware Planning for Probabilistically Safe Navigation Under Perception Uncertainty [0.10923877073891446]
  知覚に基づくナビゲーションシステムは、複雑な地形における無人地上車両(UGV)のナビゲーションに有用である。 本研究では,確率的・再構成型能力推定法(PaRCE)を開発し,入力画像との親しみ度を推定する。 総合能力スコアは, 正しく分類され, 誤分類され, アウト・オブ・ディストリビューション (OOD) のサンプルを正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2024-09-09T23:34:24Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)
• Foveate, Attribute, and Rationalize: Towards Physically Safe and Trustworthy AI [76.28956947107372]
  包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。 安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。 実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
  論文  参考訳（メタデータ） (2022-12-19T17:51:47Z)
• Dwelling Type Classification for Disaster Risk Assessment Using Satellite Imagery [3.88838725116957]
  周辺地域の危険度とリスク評価は, 災害対策に不可欠である。 既存のシステムは、時間と費用のかかるフィールドサーベイに依存するため、警告を解読し、超局所的なレベルでリスクの正確な範囲を評価するスケーラブルな方法を提供していない。 この研究において、機械学習は住居とそのタイプを特定するプロセスを自動化するために使用され、潜在的に効果的な災害脆弱性評価システムを構築した。
  論文  参考訳（メタデータ） (2022-11-16T03:08:15Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)

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。