論文の概要: Deep Learning Based Steel Pipe Weld Defect Detection

• arxiv url: http://arxiv.org/abs/2104.14907v1
• Date: Fri, 30 Apr 2021 11:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 20:27:03.341776
• Title: Deep Learning Based Steel Pipe Weld Defect Detection
• Title（参考訳）: 深層学習による鋼管溶接欠陥検出
• Authors: Dingming Yang, Yanrong Cui, Zeyu Yu and Hongqiang Yuan
• Abstract要約: 鋼管溶接欠陥検出分野に適用するために, 最先端の単段物検出アルゴリズム YOLOv5 を提案する。 実験の結果, 鋼管溶接欠陥検出にyolov5を適用すると精度が大幅に向上し, マルチクラス化作業が完了し, リアルタイム検出の基準を満たした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Steel pipes are widely used in high-risk and high-pressure scenarios such as oil, chemical, natural gas, shale gas, etc. If there is some defect in steel pipes, it will lead to serious adverse consequences. Applying object detection in the field of deep learning to pipe weld defect detection and identification can effectively improve inspection efficiency and promote the development of industrial automation. Most predecessors used traditional computer vision methods applied to detect defects of steel pipe weld seams. However, traditional computer vision methods rely on prior knowledge and can only detect defects with a single feature, so it is difficult to complete the task of multi-defect classification, while deep learning is end-to-end. In this paper, the state-of-the-art single-stage object detection algorithm YOLOv5 is proposed to be applied to the field of steel pipe weld defect detection, and compared with the two-stage representative object detection algorithm Faster R-CNN. The experimental results show that applying YOLOv5 to steel pipe weld defect detection can greatly improve the accuracy, complete the multi-classification task, and meet the criteria of real-time detection.
• Abstract（参考訳）: 鋼管は、石油、化学、天然ガス、シェールガスなどの高圧・高圧のシナリオで広く使用されている。 鋼管に何らかの欠陥がある場合、深刻な有害な結果をもたらす。 パイプ溶接欠陥検出と同定にディープラーニングの分野でオブジェクト検出を適用することで、検査効率を効果的に向上し、産業オートメーションの開発を促進することができる。 前者は従来のコンピュータビジョン法を用いて鋼管溶接継手の欠陥を検知した。 しかし,従来のコンピュータビジョン手法は先行知識に頼って単一特徴量で欠陥を検出できないため,ディープラーニングがエンドツーエンドであるのに対して,多欠陥分類のタスクを完了させることは困難である。 本稿では, 鋼管溶接欠陥検出の分野において, 最先端の単段物体検出アルゴリズム YOLOv5 を提案し, 2段代表物体検出アルゴリズム Faster R-CNN と比較した。 実験の結果, 鋼管溶接欠陥検出にyolov5を適用すると精度が大幅に向上し, マルチクラス化作業が完了し, リアルタイム検出の基準を満たした。

関連論文リスト

• Unsupervised Welding Defect Detection Using Audio And Video [1.517355052203938]
  本稿では,マイクロホンとカメラで溶接プロセスを記録することにより,溶接欠陥をリアルタイムで検出する深層学習手法について述べる。 すべてのディープラーニングモデルは、潜在的な欠陥の空間が大きいため、教師なしの方法でトレーニングされます。 溶接欠陥のほとんどをリアルタイムに検出できることが,音声とビデオの両方から可能であることを実証した。
  論文  参考訳（メタデータ） (2024-09-03T20:58:56Z)
• YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
  本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。 本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。 大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-22T07:08:22Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling [0.0]
  本研究では,小型ネットワーク用に特別に設計されたYou Only Look Once (YOLOv5)に基づくリアルタイム金属表面欠陥検出モデルを提案する。 実験結果から,改良されたモデルでは,精度と検出時間において,他のモデルよりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2024-06-19T08:08:49Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Segment Anything in Defect Detection [38.85728242930962]
  DefectSAMは、ノイズの多い熱画像に欠陥を分割するための新しいアプローチである。 既存の最先端セグメンテーションアルゴリズムを超え、欠陥検出率を大幅に改善する。
  論文  参考訳（メタデータ） (2023-11-17T00:28:19Z)
• MFL Data Preprocessing and CNN-based Oil Pipeline Defects Detection [0.0]
  コンピュータビジョンの異常検出への応用は、いくつかの産業分野で注目されている。 本研究は磁気フラックス漏洩データと前処理技術の研究に焦点を当てる。 そのために、最近の畳み込みニューラルネットワーク構造を利用して、堅牢なアプローチを提案しました。
  論文  参考訳（メタデータ） (2023-09-30T10:37:12Z)
• One-stage Low-resolution Text Recognition with High-resolution Knowledge Transfer [53.02254290682613]
  現在の低解像度テキスト認識のソリューションは、通常2段階のパイプラインに依存している。 本稿では,多段階の知識伝達を実現するための効率的かつ効果的な知識蒸留フレームワークを提案する。 実験の結果、提案されたワンステージパイプラインは、超高解像度ベースの2ステージフレームワークよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-08-05T02:33:45Z)
• 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)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。