論文の概要: AdeNet: Deep learning architecture that identifies damaged electrical insulators in power lines

• arxiv url: http://arxiv.org/abs/2103.01426v1
• Date: Tue, 2 Mar 2021 02:40:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 23:56:49.026619
• Title: AdeNet: Deep learning architecture that identifies damaged electrical insulators in power lines
• Title（参考訳）: AdeNet: 電力線で損傷した電気絶縁体を識別するディープラーニングアーキテクチャ
• Authors: Ademola Okerinde and Lior Shamir and William Hsu and Tom Theis
• Abstract要約: AdeNetは、損傷した絶縁体を識別するために設計されたディープニューラルネットワークです。 損傷した絶縁体のラインを監視するのに要する労力を削減できる。
• 参考スコア（独自算出の注目度）: 8.849159720632612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ceramic insulators are important to electronic systems, designed and installed to protect humans from the danger of high voltage electric current. However, insulators are not immortal, and natural deterioration can gradually damage them. Therefore, the condition of insulators must be continually monitored, which is normally done using UAVs. UAVs collect many images of insulators, and these images are then analyzed to identify those that are damaged. Here we describe AdeNet as a deep neural network designed to identify damaged insulators, and test multiple approaches to automatic analysis of the condition of insulators. Several deep neural networks were tested, as were shallow learning methods. The best results (88.8\%) were achieved using AdeNet without transfer learning. AdeNet also reduced the false negative rate to $\sim$7\%. While the method cannot fully replace human inspection, its high throughput can reduce the amount of labor required to monitor lines for damaged insulators and provide early warning to replace damaged insulators.
• Abstract（参考訳）: セラミック絶縁体は電子システムにとって重要であり、高電圧電流の危険性から人を守るように設計されている。 しかし、絶縁体は不死ではなく、自然劣化によって徐々に損傷することがある。 そのため、絶縁体の状態は継続的に監視されなければならず、通常はuavを用いて行われる。 UAVは多数の絶縁体の画像を収集し、これらの画像を分析して損傷しているものを識別する。 本稿では,損傷した絶縁体を特定するために設計された深層ニューラルネットワークとしてadenetを記述し,絶縁体状態の自動解析のための複数のアプローチをテストする。 浅い学習方法と同様に、いくつかのディープニューラルネットワークがテストされた。 最良の結果(88.8\%)は、転送学習なしでAdeNetを用いて達成された。 AdeNetはまた、偽陰性率を$\sim$7\%に減らした。 人間の検査を完全に置き換えることはできないが、その高いスループットは損傷した絶縁体を監視するのに要する労力を削減し、損傷した絶縁体を置き換えるための早期警告を提供する。

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)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Object detection-based inspection of power line insulators: Incipient fault detection in the low data-regime [0.0]
  本研究は,円盤内の初期欠陥に着目し,空画像からの絶縁体および資産検査のための3つの物体検出タスクを定式化する。 我々は、健康かつ欠陥のある絶縁体を検出するための堅牢な特徴を学習するために使用できる、絶縁体画像の大規模な参照データセットをキュレートする。 その結果, 物体検出モデルを用いて, 絶縁体中の欠陥を早期に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-21T13:49:19Z)
• 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)
• CellDefectNet: A Machine-designed Attention Condenser Network for Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
  太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。 本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。 発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
  論文  参考訳（メタデータ） (2022-04-25T16:35:19Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Automated Quality Control of Vacuum Insulated Glazing by Convolutional Neural Network Image Classification [5.2183907457242915]
  我々は畳み込みニューラルネットワークを用いたディープラーニングコンピュータビジョンシステムを開発し、訓練し、テストした。 システムは、試験データセットを100%の受信機動作特性(ROC)に対して、曲線(AUC)以下の領域で完璧に分類した。 我々は、内部メカニズムを理解するために、説明可能な人工知能(XAI)の最先端のGrad-CAMとScore-CAMを用いている。
  論文  参考訳（メタデータ） (2021-10-15T13:10:54Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Segmentation and Defect Classification of the Power Line Insulators: A Deep Learning-based Approach [0.0]
  2段階のモデルを導入し、絶縁体を背景から分離し、状態の分類を4つのカテゴリ、すなわち、健康、壊れ、焼かれた/焼かれた、そして不足したキャップに基づいて行う。 実験の結果, 提案手法は絶縁体の有効セグメンテーションを実現し, 複数種類の故障を検出する精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-09-21T20:25:51Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。