論文の概要: Experimental Large-Scale Jet Flames' Geometrical Features Extraction for Risk Management Using Infrared Images and Deep Learning Segmentation Methods

• arxiv url: http://arxiv.org/abs/2201.07931v1
• Date: Thu, 20 Jan 2022 00:50:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-22 01:44:51.529068
• Title: Experimental Large-Scale Jet Flames' Geometrical Features Extraction for Risk Management Using Infrared Images and Deep Learning Segmentation Methods
• Title（参考訳）: 赤外線画像とディープラーニングセグメンテーション法を用いたリスク管理のための大規模ジェット火炎の幾何学的特徴抽出
• Authors: Carmina P\'erez-Guerrero, Adriana Palacios, Gilberto Ochoa-Ruiz, Christian Mata, Joaquim Casal, Miguel Gonzalez-Mendoza, Luis Eduardo Falc\'on-Morales
• Abstract要約: ジェット火災は比較的小さく、工業プラントで起こりうる多様な火災事故の中では最も深刻な影響を受けない。 本研究は,ジェット火炎のセマンティックセグメンテーションを用いた別のアプローチにおけるディープラーニングモデルの適用について検討する。
• 参考スコア（独自算出の注目度）: 0.9236074230806579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jet fires are relatively small and have the least severe effects among the diverse fire accidents that can occur in industrial plants; however, they are usually involved in a process known as the domino effect, that leads to more severe events, such as explosions or the initiation of another fire, making the analysis of such fires an important part of risk analysis. This research work explores the application of deep learning models in an alternative approach that uses the semantic segmentation of jet fires flames to extract main geometrical attributes, relevant for fire risk assessments. A comparison is made between traditional image processing methods and some state-of-the-art deep learning models. It is found that the best approach is a deep learning architecture known as UNet, along with its two improvements, Attention UNet and UNet++. The models are then used to segment a group of vertical jet flames of varying pipe outlet diameters to extract their main geometrical characteristics. Attention UNet obtained the best general performance in the approximation of both height and area of the flames, while also showing a statistically significant difference between it and UNet++. UNet obtained the best overall performance for the approximation of the lift-off distances; however, there is not enough data to prove a statistically significant difference between Attention UNet and UNet++. The only instance where UNet++ outperformed the other models, was while obtaining the lift-off distances of the jet flames with 0.01275 m pipe outlet diameter. In general, the explored models show good agreement between the experimental and predicted values for relatively large turbulent propane jet flames, released in sonic and subsonic regimes; thus, making these radiation zones segmentation models, a suitable approach for different jet flame risk management scenarios.
• Abstract（参考訳）: ジェット火災は比較的小さく、工業プラントで発生しうる多様な火災事故の中で最も深刻な影響を及ぼさないが、通常ドミノ効果(domino effect)と呼ばれるプロセスに関与しており、爆発や他の火災の発生といったより深刻な事象を引き起こし、そのような火災の分析はリスク分析の重要な部分となっている。 本研究は,火炎のセマンティクスセグメンテーションを用いて,火災リスクアセスメントに関連する主要な幾何学的属性を抽出する代替手法として,ディープラーニングモデルの適用を検討する。 従来の画像処理手法と最先端のディープラーニングモデルとの比較を行う。 最も優れたアプローチは、UNetとして知られるディープラーニングアーキテクチャと、その2つの改善であるAttention UNetとUNet++である。 モデルは、管口径の異なる垂直噴流火炎群を分割して、主幾何学的特徴を抽出するために使用される。 注意 UNet は炎の高さと面積の近似において最高の一般性能を得たが、UNet++ と違いは統計的に有意であった。 unet はリフトオフ距離の近似に対して最高の全体的な性能を得たが、注意力 unet と unet++ の間に統計的に有意な差を示すのに十分なデータはない。 UNet++が他のモデルより優れていた唯一の例は、ジェット火炎から0.01275mの管口径のリフトオフ距離を得ることであった。 実験モデルでは, 比較的大きな乱流性プロパンジェット火炎に対する実験値と予測値とが, 音速および亜音速で放出される場合の良好な一致を示し, これらの放射帯セグメンテーションモデルを, 異なるジェット火炎リスク管理シナリオに適したアプローチとする。

関連論文リスト

• Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think [53.2706196341054]
  認識された非効率性は、これまで気付かれなかった推論パイプラインの欠陥によって引き起こされたことを示している。 タスク固有の損失を伴う単一ステップモデル上でエンドツーエンドの微調整を行い、他の拡散に基づく深さモデルや正規推定モデルよりも優れた決定論的モデルを得る。
  論文  参考訳（メタデータ） (2024-09-17T16:58:52Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Fire Dynamic Vision: Image Segmentation and Tracking for Multi-Scale Fire and Plume Behavior [0.0]
  野火は正確な火と羽ばたきの模型の必要性を強調している。 本研究では,様々な空間的・時間的スケールで火と煙の挙動を効果的に分離・追跡する手法を提案する。 提案手法は, 画像分割とグラフ理論を組み合わせることで, 火災前線と羽根境界を規定する。
  論文  参考訳（メタデータ） (2024-08-16T19:25:19Z)
• Modelling wildland fire burn severity in California using a spatial Super Learner approach [0.04188114563181614]
  米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。 遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。 このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
  論文  参考訳（メタデータ） (2023-11-25T22:09:14Z)
• Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
  本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。 ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。 また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
  論文  参考訳（メタデータ） (2023-10-02T19:38:04Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• Computer Vision-based Characterization of Large-scale Jet Flames using a Synthetic Infrared Image Generation Approach [0.8431877864777444]
  本稿では,可視光から可視赤外画像を生成するために,ジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を提案する。 その結果,可視カメラと赤外線カメラの両方を用いて実施した実験の結果を現実的に再現することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-05T06:54:36Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• Comparing ML based Segmentation Models on Jet Fire Radiation Zone [0.0]
  リスク管理の観点からは,火災事故の特徴付けが重要である。 そのような特徴の1つは、火炎内の異なる放射帯のセグメンテーションである。 プロパンジェット火災のデータセットは、異なるアプローチの訓練と評価に使用される。
  論文  参考訳（メタデータ） (2021-07-07T19:52:52Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。