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
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳(メタデータ) (2024-10-08T00:25:33Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳(メタデータ) (2024-05-30T04:46:40Z) - Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。
ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。
トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文 参考訳(メタデータ) (2024-04-11T19:06:36Z) - 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 [8.57765854420254]
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) - 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 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。