論文の概要: Automatic Segmentation of Aircraft Dents in Point Clouds
- arxiv url: http://arxiv.org/abs/2205.01614v1
- Date: Tue, 3 May 2022 16:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 14:05:37.013274
- Title: Automatic Segmentation of Aircraft Dents in Point Clouds
- Title(参考訳): 点雲内における航空機歯列の自動分割
- Authors: Pasquale Lafiosca and Ip-Shing Fan and Nicolas P. Avdelidis
- Abstract要約: 本報告では, 自動歯列検査に向けた2つの展開について報告する。
1つ目は、完全な畳み込みニューラルネットワークをトレーニングするために、デント面の合成データセットを生成する方法である。
2つ目は、3Dポイントのクラウドを2.5Dに変換する戦略だ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dents on the aircraft skin are frequent and may easily go undetected during
airworthiness checks, as their inspection process is tedious and extremely
subject to human factors and environmental conditions. Nowadays, 3D scanning
technologies are being proposed for more reliable, human-independent
measurements, yet the process of inspection and reporting remains laborious and
time consuming because data acquisition and validation are still carried out by
the engineer. For full automation of dent inspection, the acquired point cloud
data must be analysed via a reliable segmentation algorithm, releasing humans
from the search and evaluation of damage. This paper reports on two
developments towards automated dent inspection. The first is a method to
generate a synthetic dataset of dented surfaces to train a fully convolutional
neural network. The training of machine learning algorithms needs a substantial
volume of dent data, which is not readily available. Dents are thus simulated
in random positions and shapes, within criteria and definitions of a Boeing 737
structural repair manual. The noise distribution from the scanning apparatus is
then added to reflect the complete process of 3D point acquisition on the
training. The second proposition is a surface fitting strategy to convert 3D
point clouds to 2.5D. This allows higher resolution point clouds to be
processed with a small amount of memory compared with state-of-the-art methods
involving 3D sampling approaches. Simulations with available ground truth data
show that the proposed technique reaches an intersection-over-union of over
80%. Experiments over dent samples prove an effective detection of dents with a
speed of over 500 000 points per second.
- Abstract(参考訳): 航空機の皮膚の象牙は頻繁であり、検査プロセスは退屈で、人的要因や環境条件に非常に左右されるため、空力チェックの間は容易に検出されない可能性がある。
今日では、より信頼性が高く、人間に依存しない計測のために3Dスキャン技術が提案されているが、データ取得と検証はまだエンジニアによって行われているため、検査と報告のプロセスは残酷で時間を要する。
デント検査の完全自動化のためには、取得したポイントクラウドデータは信頼できるセグメンテーションアルゴリズムによって分析され、人間を損傷の探索と評価から解放する必要がある。
自動歯列検査における2つの進歩について報告する。
1つ目は、完全畳み込みニューラルネットワークを訓練するために、デント面の合成データセットを生成する方法である。
機械学習アルゴリズムのトレーニングには大量のデントデータが必要であるが、すぐには利用できない。
したがって、デントはボーイング737の構造修理マニュアルの基準と定義の中でランダムな位置と形状でシミュレートされる。
そして、スキャン装置からの雑音分布を加算し、トレーニングにおける3Dポイント取得の完了過程を反映する。
2つ目の提案は、3Dポイントの雲を2.5Dに変換する表面フィッティング戦略である。
これにより、3Dサンプリング手法を含む最先端の手法と比較して、高解像度の点雲を少量のメモリで処理できる。
地上真実データを用いたシミュレーションにより,提案手法が80%以上の交叉結合に達することが示された。
デント試料に対する実験は、毎秒50万ポイント以上の速度でデントを効果的に検出することを証明する。
関連論文リスト
- LiDAR-based curb detection for ground truth annotation in automated
driving validation [2.954315548942922]
本稿では,LiDARセンサから取得した点雲列中の3次元ストレッチを検出する手法を提案する。
シーケンスレベル処理ステップは、車両のオドメトリーを用いて、再構成された点雲内の3D縁石を推定する。
これらの検出は、ラベリングパイプラインの事前アノテーションとして使用して、ストレッチ関連地上真実データを効率的に生成することができる。
論文 参考訳(メタデータ) (2023-12-01T12:15:09Z) - Aircraft Skin Inspections: Towards a New Model for Dent Evaluation [0.0]
航空機のメンテナンス、修理およびオーバーホール産業は、徐々にデント検査のために3Dスキャンに切り替えている。
3Dスキャナーのポテンシャルは、構造修復マニュアルがデントを扱う伝統的な方法のために、決して利用されていない。
これは、構造修復マニュアルがデントを扱う伝統的な方法、すなわち、長さ、幅、深さを唯一の関連する手段として考慮しているためである。
提案手法は8treeのdentCHECKツールによって生成されたシミュレーションとポイントクラウドデータの両方で評価されている。
論文 参考訳(メタデータ) (2023-01-25T09:20:19Z) - An adaptive human-in-the-loop approach to emission detection of Additive
Manufacturing processes and active learning with computer vision [76.72662577101988]
In-situ monitoring and process control in Additive Manufacturing (AM) は大量の排出データを収集することを可能にする。
このデータは、3Dプリントされた部品の3Dおよび2D表現への入力として使用できる。
本研究の目的は,機械学習技術を用いた適応型ヒューマン・イン・ザ・ループ手法を提案することである。
論文 参考訳(メタデータ) (2022-12-12T15:11:18Z) - Self-supervised Point Cloud Completion on Real Traffic Scenes via
Scene-concerned Bottom-up Mechanism [14.255659581428333]
ポイントクラウド補完は、オブジェクトの不完全な3Dスキャンのための完全な形状を参照することを目的としている。
現在のディープラーニングベースのアプローチは、トレーニングプロセスにおける大規模な完全な形状に依存しています。
本研究では,交通現場の車両に対して,完全なデータを持たない自己監視点クラウド補完手法(TraPCC)を提案する。
論文 参考訳(メタデータ) (2022-03-20T14:42:37Z) - Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。
多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。
本稿では,SST(Single-stride Sparse Transformer)を提案する。
論文 参考訳(メタデータ) (2021-12-13T02:12:02Z) - 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) - A Nearest Neighbor Network to Extract Digital Terrain Models from 3D
Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。
我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文 参考訳(メタデータ) (2020-05-21T15:54:55Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳(メタデータ) (2020-04-02T17:48:50Z) - D3Feat: Joint Learning of Dense Detection and Description of 3D Local
Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。
本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。
本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文 参考訳(メタデータ) (2020-03-06T12:51:09Z) - Leveraging Uncertainties for Deep Multi-modal Object Detection in
Autonomous Driving [12.310862288230075]
この研究は、LiDAR点雲とRGBカメラ画像を組み合わせて、堅牢で正確な3Dオブジェクト検出を行う確率論的ディープニューラルネットワークを提案する。
分類および回帰作業における不確実性を明示的にモデル化し、不確実性を活用してサンプリング機構を用いて核融合ネットワークを訓練する。
論文 参考訳(メタデータ) (2020-02-01T14:24:51Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。