論文の概要: What's Cracking? A Review and Analysis of Deep Learning Methods for
Structural Crack Segmentation, Detection and Quantification
- arxiv url: http://arxiv.org/abs/2202.03714v1
- Date: Tue, 8 Feb 2022 08:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 15:30:36.516743
- Title: What's Cracking? A Review and Analysis of Deep Learning Methods for
Structural Crack Segmentation, Detection and Quantification
- Title(参考訳): ひび割れって何?
構造き裂の分割・検出・定量化のための深層学習法のレビューと分析
- Authors: Jacob K\"onig, Mark Jenkins, Mike Mannion, Peter Barrie, Gordon
Morison
- Abstract要約: 本レビューは,ディープラーニングを利用したひび割れ解析アルゴリズムの分野における論文の概要を研究者に提供することを目的としている。
コンピュータビジョンアルゴリズムを適用して、構造的な健康モニタリング環境でひび割れを表面化することで解決される様々なタスクを概説する。
レビューではまた、クラックに使用される一般的なデータセットと、それらのアルゴリズムのパフォーマンスを評価するために使用されるメトリクスを強調している。
- 参考スコア(独自算出の注目度): 0.9449650062296824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface cracks are a very common indicator of potential structural faults.
Their early detection and monitoring is an important factor in structural
health monitoring. Left untreated, they can grow in size over time and require
expensive repairs or maintenance. With recent advances in computer vision and
deep learning algorithms, the automatic detection and segmentation of cracks
for this monitoring process have become a major topic of interest. This review
aims to give researchers an overview of the published work within the field of
crack analysis algorithms that make use of deep learning. It outlines the
various tasks that are solved through applying computer vision algorithms to
surface cracks in a structural health monitoring setting and also provides
in-depth reviews of recent fully, semi and unsupervised approaches that perform
crack classification, detection, segmentation and quantification. Additionally,
this review also highlights popular datasets used for cracks and the metrics
that are used to evaluate the performance of those algorithms. Finally,
potential research gaps are outlined and further research directions are
provided.
- Abstract(参考訳): 表面クラックは、潜在的構造欠陥の非常に一般的な指標である。
早期発見とモニタリングは、構造的健康モニタリングにおいて重要な要素である。
未処理のまま、時間とともに大きくなり、高価な修理やメンテナンスが必要となる。
近年のコンピュータビジョンとディープラーニングアルゴリズムの進歩により,このモニタリングプロセスにおける亀裂の自動検出とセグメンテーションが注目されている。
このレビューは、ディープラーニングを利用したクラック解析アルゴリズムの分野における公開研究の概要を研究者に提供することを目的としている。
コンピュータビジョンアルゴリズムを構造ヘルスモニタリング設定の亀裂に応用することで解決される様々なタスクの概要と、亀裂分類、検出、セグメンテーション、定量化を行う最近の完全で半教師なしのアプローチの詳細なレビューを提供する。
さらに、このレビューでは、クラックに使用される一般的なデータセットと、それらのアルゴリズムのパフォーマンスを評価するために使用されるメトリクスを強調している。
最後に、潜在的な研究ギャップを概説し、さらなる研究方向性を提供する。
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) - From Classification to Segmentation with Explainable AI: A Study on
Crack Detection and Growth Monitoring [9.370475744752953]
インフラの表面ひび割れのモニタリングは、構造的健康モニタリングに不可欠である。
機械学習アプローチはその効果を証明しているが、典型的には教師付きトレーニングには大きな注釈付きデータセットが必要である。
このコストを軽減するために、説明可能な人工知能(XAI)を利用して分類器の説明からセグメンテーションを導き、画像レベルの監督が弱いだけを必要とする。
論文 参考訳(メタデータ) (2023-09-20T12:50:52Z) - 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) - DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。
DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。
DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
論文 参考訳(メタデータ) (2023-07-04T01:34:41Z) - Learning-Based Defect Recognitions for Autonomous UAV Inspections [1.713291434132985]
我々は,Alexnet,VGG,Resnetなどの古典的ネットワークアーキテクチャに基づくひび割れ検出のためのディープラーニングフレームワークを実装した。
特徴ピラミッドネットワークアーキテクチャにヒントを得て、階層的畳み込みニューラルネットワーク(CNN)ディープラーニングフレームワークも提案されている。
また, 各種コンクリート構造物のひび割れ検査作業のために, 無人航空機の自動点検のための枠組みも提案する。
論文 参考訳(メタデータ) (2023-02-13T04:25:05Z) - CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets
and Frameworks [0.32029168522419355]
ひび割れの検出は, 構造物の健全性を監視し, 構造物の安全性を確保する上で重要な課題である。
何人かの研究者が、従来の画像処理や学習ベースの技術を使ってこの問題に取り組みました。
これらの手法を評価するために使われる指標も文献によって異なるため、テクニックを比較するのが困難である。
本稿では、以前利用可能なデータセットを組み合わせてアノテーションを統合することで、これらの問題に対処する。
論文 参考訳(メタデータ) (2022-08-27T16:47:04Z) - A Survey on Label-efficient Deep Segmentation: Bridging the Gap between
Weak Supervision and Dense Prediction [115.9169213834476]
本稿では,ラベル効率の高いセグメンテーション手法について概説する。
まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。
次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
論文 参考訳(メタデータ) (2022-07-04T06:21:01Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z) - A Brief Look at Generalization in Visual Meta-Reinforcement Learning [56.50123642237106]
メタ強化学習アルゴリズムの一般化性能を評価する。
これらのアルゴリズムは、困難なタスクで評価された場合、強いオーバーフィッティングを示すことができる。
論文 参考訳(メタデータ) (2020-06-12T15:17:17Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳(メタデータ) (2020-05-17T11:22:11Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。