論文の概要: Sound Event Classification in an Industrial Environment: Pipe Leakage Detection Use Case

• arxiv url: http://arxiv.org/abs/2205.02706v1
• Date: Thu, 5 May 2022 15:26:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 18:18:29.603227
• Title: Sound Event Classification in an Industrial Environment: Pipe Leakage Detection Use Case
• Title（参考訳）: 産業環境における音響イベント分類:パイプ漏れ検出利用事例
• Authors: Ibrahim Shaer and Abdallah Shami
• Abstract要約: 産業環境におけるパイプ漏れ検出のための多段階機械学習パイプラインを提案する。 提案されたパイプラインは複数のステップを適用し、それぞれが環境の課題に対処する。 その結果, 精度99%, F1スコア0.93, 0.9の優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 3.9414768019101682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, a multi-stage Machine Learning (ML) pipeline is proposed for pipe leakage detection in an industrial environment. As opposed to other industrial and urban environments, the environment under study includes many interfering background noises, complicating the identification of leaks. Furthermore, the harsh environmental conditions limit the amount of data collected and impose the use of low-complexity algorithms. To address the environment's constraints, the developed ML pipeline applies multiple steps, each addressing the environment's challenges. The proposed ML pipeline first reduces the data dimensionality by feature selection techniques and then incorporates time correlations by extracting time-based features. The resultant features are fed to a Support Vector Machine (SVM) of low-complexity that generalizes well to a small amount of data. An extensive experimental procedure was carried out on two datasets, one with background industrial noise and one without, to evaluate the validity of the proposed pipeline. The SVM hyper-parameters and parameters specific to the pipeline steps were tuned as part of the experimental procedure. The best models obtained from the dataset with industrial noise and leaks were applied to datasets without noise and with and without leaks to test their generalizability. The results show that the model produces excellent results with 99\% accuracy and an F1-score of 0.93 and 0.9 for the respective datasets.
• Abstract（参考訳）: 本研究では,産業環境におけるパイプ漏れ検出のためのマルチステージ機械学習(ML)パイプラインを提案する。 他の産業や都市環境とは対照的に、調査対象の環境には多くの干渉背景ノイズが含まれており、漏洩の特定を複雑にしている。 さらに、厳しい環境条件により収集されたデータ量が制限され、低複雑度アルゴリズムの使用が強制される。 環境の制約に対処するため、開発済みのMLパイプラインは複数のステップを適用し、それぞれが環境の課題に対処する。 提案するMLパイプラインは,まず特徴選択手法によりデータ次元を小さくし,時間に基づく特徴抽出によって時間相関を組み込む。 結果として得られる機能は、少量のデータによく一般化する低複雑さのSVM(Support Vector Machine)に送られる。 提案したパイプラインの有効性を評価するため,背景産業騒音のある2つのデータセットと,無音の2つのデータセットに対して大規模な実験を行った。 パイプラインステップに特有のSVMハイパーパラメータとパラメータを実験手順の一部として調整した。 産業用ノイズと漏れのあるデータセットから得られた最良のモデルは、その一般化性をテストするために、ノイズや漏れのないデータセットに適用された。 その結果,各データセットの精度99\%,F1スコア0.93,0.9で優れた結果が得られた。

関連論文リスト

• Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels [38.84835238599221]
  流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:28:07Z)
• RecFlow: An Industrial Full Flow Recommendation Dataset [66.06445386541122]
  産業レコメンデーションシステムは、商品をユーザに届ける際の効率性と効率のバランスをとるために、多段階パイプラインに依存している。 オフラインRSベンチマークと実際のオンライン環境とのギャップを埋めるために設計された産業用フルフローレコメンデーションデータセットであるRecFlowを紹介します。 我々のデータセットは、約9万項目にわたる42Kユーザからの38万のインタラクションで構成され、37日間にわたる9.3Mオンラインリクエストから収集された1.9Bステージサンプルと6ステージにまたがる。
  論文  参考訳（メタデータ） (2024-10-28T09:36:03Z)
• SYNOSIS: Image synthesis pipeline for machine vision in metal surface inspection [1.1802456989915404]
  本研究では,表面検査のための画像合成手法を詳細に記述した完全なパイプラインを提案する。 パイプラインは、加工およびサンドブラスト加工されたアルミニウム表面に対して詳細に評価されている。
  論文  参考訳（メタデータ） (2024-10-18T19:46:12Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Let's Roll: Synthetic Dataset Analysis for Pedestrian Detection Across Different Shutter Types [7.0441427250832644]
  本稿では,機械学習(ML)オブジェクト検出モデルに異なるシャッター機構が与える影響について検討する。 特に、合成合成されたGSとRSのデータセットを用いて、主流検出モデルを訓練し、評価する。
  論文  参考訳（メタデータ） (2023-09-15T04:07:42Z)
• Can We Transfer Noise Patterns? A Multi-environment Spectrum Analysis Model Using Generated Cases [10.876490928902838]
  スペクトルデータベースのテストデバイスは、非作業環境にデプロイされた場合、複雑なノイズパターンに悩まされる。 本研究では,異なる環境における標準試料のスペクトルを事例として,そのノイズパターンの違いを学習するノイズパターン伝達モデルを提案する。 サンプルからサンプルまでのケースベースを生成し、データセットレベルのノイズ学習におけるサンプルレベルのノイズの干渉を排除する。
  論文  参考訳（メタデータ） (2023-08-02T13:29:31Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
  Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。 ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。 本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T08:48:02Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。