論文の概要: PointCrack3D: Crack Detection in Unstructured Environments using a
3D-Point-Cloud-Based Deep Neural Network
- arxiv url: http://arxiv.org/abs/2111.11615v1
- Date: Tue, 23 Nov 2021 02:33:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 05:06:52.010198
- Title: PointCrack3D: Crack Detection in Unstructured Environments using a
3D-Point-Cloud-Based Deep Neural Network
- Title(参考訳): PointCrack3D: 3D-Point-Cloud-based Deep Neural Network を用いた非構造環境におけるき裂検出
- Authors: Faris Azhari and Charlotte Sennersten and Michael Milford and Thierry
Peynot
- Abstract要約: 本稿では,非構造面に対する新しい3Dポイント・クラウド・ベースのき裂検出アルゴリズムであるPointCrack3Dを提案する。
この手法は、新しい大きな天然岩のデータセットで実験的に検証された。
その結果, ひび割れ検出率は全体の97%, ひび割れの100%であり, 最大幅は3cm以上であった。
- 参考スコア(独自算出の注目度): 20.330700719146215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface cracks on buildings, natural walls and underground mine tunnels can
indicate serious structural integrity issues that threaten the safety of the
structure and people in the environment. Timely detection and monitoring of
cracks are crucial to managing these risks, especially if the systems can be
made highly automated through robots. Vision-based crack detection algorithms
using deep neural networks have exhibited promise for structured surfaces such
as walls or civil engineering tunnels, but little work has addressed highly
unstructured environments such as rock cliffs and bare mining tunnels. To
address this challenge, this paper presents PointCrack3D, a new
3D-point-cloud-based crack detection algorithm for unstructured surfaces. The
method comprises three key components: an adaptive down-sampling method that
maintains sufficient crack point density, a DNN that classifies each point as
crack or non-crack, and a post-processing clustering method that groups crack
points into crack instances. The method was validated experimentally on a new
large natural rock dataset, comprising coloured LIDAR point clouds spanning
more than 900 m^2 and 412 individual cracks. Results demonstrate a crack
detection rate of 97% overall and 100% for cracks with a maximum width of more
than 3 cm, significantly outperforming the state of the art. Furthermore, for
cross-validation, PointCrack3D was applied to an entirely new dataset acquired
in different locations and not used at all in training and shown to detect 100%
of its crack instances. We also characterise the relationship between detection
performance, crack width and number of points per crack, providing a foundation
upon which to make decisions about both practical deployments and future
research directions.
- Abstract(参考訳): 建物や自然の壁、地雷トンネルの表面のひび割れは、構造物や環境の安全性を脅かす深刻な構造的完全性の問題を示している。
ひび割れのタイムリーな検出と監視は、特にシステムがロボットによって高度に自動化される場合、これらのリスクを管理する上で重要である。
深層ニューラルネットワークを用いた視覚ベースのき裂検出アルゴリズムは、壁や土木トンネルなどの構造面を約束しているが、岩の崖や裸の鉱山トンネルのような非構造環境に対処する研究はほとんどない。
そこで本稿では,非構造面に対する新たな3dポイントクラウドクラック検出アルゴリズムであるpointcrack3dを提案する。
十分なき裂点密度を維持する適応的なダウンサンプリング法と、各点をき裂点または非き裂点として分類するDNNと、き裂点をき裂点に分類する後処理クラスタリング法とからなる。
この方法は,900 m^2以上および412個の亀裂にまたがる色付きLIDAR点雲からなる,新しい大きな天然岩のデータセットを用いて実験的に検証した。
その結果, ひび割れ検出率は総じて97%, ひび割れ検出率は100%であり, 最大幅が3cm以上であった。
さらに、クロスバリデーションのために、pointcrack3dは異なる場所で取得された全く新しいデータセットに適用され、トレーニングには全く使われず、そのクラックインスタンスの100%を検出できた。
また, 検出性能, ひび割れ幅, ひび割れ当たり点数との関係を特徴付けるとともに, 実用的展開と今後の研究方向性の両面での意思決定の基盤となる。
関連論文リスト
- Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳(メタデータ) (2024-01-13T17:31:12Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - Robotic surface exploration with vision and tactile sensing for cracks
detection and characterisation [7.627217550282436]
本稿では,光ファイバーを用いた視覚・触覚解析に基づくクラックの局所化と検出のための新しいアルゴリズムを提案する。
ファイバー光学に基づく指型センサを用いて、データ取得を行い、分析と実験のためのデータ収集を行う。
論文 参考訳(メタデータ) (2023-07-13T14:50:38Z) - Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。
気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。
本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-30T17:59:17Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳(メタデータ) (2022-11-15T15:58:36Z) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳(メタデータ) (2022-06-14T09:40:17Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳(メタデータ) (2021-10-08T04:08:31Z) - End-to-end Deep Learning Methods for Automated Damage Detection in
Extreme Events at Various Scales [0.4297070083645048]
Mask R-CNNは、地震などの極端な発生時に損傷を受ける可能性のある構造物やその構成要素の亀裂を自動的に検出するために提案され、試験されている。
我々は、トレーニングと検証のために2,021のラベル付き画像を用いた新しいデータセットをキュレートし、フィールドのひび割れ検出のためのエンドツーエンドのディープニューラルネットワークを見つけることを目的とした。
論文 参考訳(メタデータ) (2020-11-05T21:21:19Z) - Detection Of Concrete Cracks using Dual-channel Deep Convolutional
Network [0.0]
本研究では, 深部畳み込みニューラルネットワーク(CNN)を用いたひび割れ検出手法を提案する。
コンクリートクラックを用いた3200枚のラベル付き画像データベースが作成されており, コントラスト, 照明条件, 方向, ひび割れの重症度は極めて多様であった。
我々は,両チャネル深部CNNを設計し,高い精度(92.25%)と現実的状況におけるコンクリートのひび割れ発見の堅牢性を示した。
論文 参考訳(メタデータ) (2020-09-22T15:17:02Z) - Ensemble of Deep Convolutional Neural Networks for Automatic Pavement
Crack Detection and Measurement [9.34360241512198]
小さな亀裂の構造を特定するために、畳み込みニューラルネットワークのアンサンブルが使用された。
き裂測定には, 亀裂の種類によって, ひび割れの長さと幅を測定できる。
論文 参考訳(メタデータ) (2020-02-08T22:15:11Z)
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。