Fugu-MT 論文翻訳(概要): Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery

論文の概要: Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery

arxiv url: http://arxiv.org/abs/2112.00556v1
Date: Wed, 1 Dec 2021 15:20:12 GMT
ステータス: 処理完了
システム内更新日: 2021-12-02 18:56:35.394652
Title: Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery
Title（参考訳）: ドローン画像からの複合風車翼の半教師あり表面異常検出
Authors: Jack. W. Barker, Neelanjan Bhowmik, Toby. P. Breckon
Abstract要約: BladeNetは、教師なしタービンブレードの検出と抽出の両方を行うアプリケーションベースで堅牢なデュアルアーキテクチャである。我々の二重構造はガラス繊維複合材ブレードの表面欠陥を高い適性で検出する。 BladeNetは、オフショア風力タービンのためのOrstedブレード検査データセットで0.995のAverage Precision(AP)を、デンマーク工科大学(DTU)のNordTankタービン検査データセットで0.223のAverage Precision(AP)を生成しています。
参考スコア（独自算出の注目度）: 17.639472693362926
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Within commercial wind energy generation, the monitoring and predictive maintenance of wind turbine blades in-situ is a crucial task, for which remote monitoring via aerial survey from an Unmanned Aerial Vehicle (UAV) is commonplace. Turbine blades are susceptible to both operational and weather-based damage over time, reducing the energy efficiency output of turbines. In this study, we address automating the otherwise time-consuming task of both blade detection and extraction, together with fault detection within UAV-captured turbine blade inspection imagery. We propose BladeNet, an application-based, robust dual architecture to perform both unsupervised turbine blade detection and extraction, followed by super-pixel generation using the Simple Linear Iterative Clustering (SLIC) method to produce regional clusters. These clusters are then processed by a suite of semi-supervised detection methods. Our dual architecture detects surface faults of glass fibre composite material blades with high aptitude while requiring minimal prior manual image annotation. BladeNet produces an Average Precision (AP) of 0.995 across our {\O}rsted blade inspection dataset for offshore wind turbines and 0.223 across the Danish Technical University (DTU) NordTank turbine blade inspection dataset. BladeNet also obtains an AUC of 0.639 for surface anomaly detection across the {\O}rsted blade inspection dataset.
Abstract（参考訳）: 商用風力発電では、無人航空機(uav)からの空中調査による遠隔監視が一般的であり、風力タービンブレードのその場での監視と予測の維持が重要な課題である。タービンブレードは、運転時と天候時の双方の損傷を受けやすいため、タービンのエネルギー効率が低下する。本研究では,UAV捕捉タービン羽根検査画像内の故障検出とともに,ブレード検出と抽出の両方の時間を要するタスクの自動化に取り組む。我々は、非教師付きタービンブレードの検出と抽出の両方を行うアプリケーションベースで堅牢なデュアルアーキテクチャであるBladeNetを提案し、続いてSimple Linear Iterative Clustering (SLIC) 法を用いて局所クラスタを生成する。これらのクラスタは、半教師付き検出手法によって処理される。ガラス繊維複合材料ブレードの表面欠陥を高い適性で検出し, 必要最小限の手動画像アノテーションを要求できる。 BladeNetは、デンマーク工科大学(DTU)のNordTankタービンブレード検査データセットで、オフショア風力タービン用の平均精度(AP)が0.995、オフショア風力タービン用が0.223である。 BladeNetはまた、 {\O}rstedブレード検査データセット全体にわたる表面異常検出のためのAUC0.639も取得した。

関連論文リスト

Barely-Visible Surface Crack Detection for Wind Turbine Sustainability [0.0]
本稿では,多くの風車検査から収集したほとんど見えないヘアラインひび割れのデータセットについて紹介する。本データセットの有効性を証明するため, エンド・ツー・エンドのタービンき裂検出パイプラインについて詳述した。
論文参考訳（メタデータ） (2024-07-09T19:03:48Z)
Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文参考訳（メタデータ） (2024-04-24T13:50:27Z)
A Novel Approach for Defect Detection of Wind Turbine Blade Using Virtual Reality and Deep Learning [0.0]
風力タービンの仮想モデルを構築し,4種類の共通欠陥に対する近接現実像を合成する。第2のステップでは、タービンブレードの欠陥を分類してセグメント化するために、カスタマイズされたU-Netアーキテクチャが訓練されている。提案手法は,航空機による自律的,遠隔的検査に適した,適切な欠陥検出精度を提供する。
論文参考訳（メタデータ） (2023-12-30T13:58:50Z)
Fast Recognition of birds in offshore wind farms based on an improved deep learning model [0.19336815376402716]
鳥類検出作業におけるこのモデルの精度は87.40%に達し、21.25%の増加となる。このモデルでは、風力タービン付近の鳥をリアルタイムで検出でき、夜間、雨季、不安定な条件で強い安定性を示す。
論文参考訳（メタデータ） (2023-06-28T08:47:04Z)
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)
Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
論文参考訳（メタデータ） (2022-05-27T05:42:16Z)
A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文参考訳（メタデータ） (2021-11-23T08:04:32Z)
Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-11-17T21:48:31Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Wind Turbine Blade Surface Damage Detection based on Aerial Imagery and VGG16-RCNN Framework [0.0]
風車翼面損傷検出のための画像解析に基づくディープラーニングフレームワークを提案する。このアプローチはマルチクラスの教師付き学習問題としてモデル化されており、畳み込みニューラルネットワーク(CNN)、VGG16-RCNN、AlexNetなどのディープラーニング手法がテストされている。
論文参考訳（メタデータ） (2021-08-19T12:00:13Z)
Automatic Borescope Damage Assessments for Gas Turbine Blades via Deep Learning [0.0]
エアロエンジンのブレード部品は材料限界に近い。コンプレッサとタービンブレードの運転中の損傷は、エンジンの性能に重大な即時的影響をもたらす。ブレード視覚検査の現在の方法は、主にボアスコープイメージングに基づいている。
論文参考訳（メタデータ） (2021-02-23T11:44:10Z)

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。