論文の概要: Learning to identify cracks on wind turbine blade surfaces using drone-based inspection images

• arxiv url: http://arxiv.org/abs/2207.11186v1
• Date: Wed, 20 Jul 2022 18:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 12:26:36.470329
• Title: Learning to identify cracks on wind turbine blade surfaces using drone-based inspection images
• Title（参考訳）: ドローンによる点検画像を用いた風車翼面のひび割れの同定
• Authors: Akshay Iyer, Linh Nguyen, Shweta Khushu
• Abstract要約: 私たちは、ドローンによる検査によって収集された、ブレード損傷の大規模なデータセットに基づいてトレーニングされたディープラーニングモデルを構築します。 私たちのモデルは、すでに生産されており、0.96のリコールで100万以上のダメージを処理しています。 我々は、大きなハードルの一つであるO&Mコストを削減し、ひび割れのようなブレードの故障による風力エネルギーの採用を拡大することを目指している。
• 参考スコア（独自算出の注目度）: 2.8360662552057323
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wind energy is expected to be one of the leading ways to achieve the goals of the Paris Agreement but it in turn heavily depends on effective management of its operations and maintenance (O&M) costs. Blade failures account for one-third of all O&M costs thus making accurate detection of blade damages, especially cracks, very important for sustained operations and cost savings. Traditionally, damage inspection has been a completely manual process thus making it subjective, error-prone, and time-consuming. Hence in this work, we bring more objectivity, scalability, and repeatability in our damage inspection process, using deep learning, to miss fewer cracks. We build a deep learning model trained on a large dataset of blade damages, collected by our drone-based inspection, to correctly detect cracks. Our model is already in production and has processed more than a million damages with a recall of 0.96. We also focus on model interpretability using class activation maps to get a peek into the model workings. The model not only performs as good as human experts but also better in certain tricky cases. Thus, in this work, we aim to increase wind energy adoption by decreasing one of its major hurdles - the O\&M costs resulting from missing blade failures like cracks.
• Abstract（参考訳）: 風力エネルギーはパリ協定の目標を達成するための主要な方法の1つと期待されているが、その運用・保守コスト(o&m)の効果的な管理に大きく依存している。 ブレード故障は全O&Mコストの3分の1を占めるため、ブレード損傷、特に亀裂の正確な検出は、持続的な運用とコスト削減に非常に重要である。 伝統的に、損傷検査は完全に手動のプロセスであり、主観的、エラーを起こしやすく、時間がかかる。 したがって,本研究では,損傷検査プロセスにおいて,より客観性やスケーラビリティ,再現性を高めて,より少ない亀裂を見逃すことができる。 ドローンによる検査によって収集された、ブレード損傷の大規模なデータセットに基づいてトレーニングされたディープラーニングモデルを構築し、き裂を正しく検出する。 私たちのモデルは、すでに生産されており、0.96のリコールで100万以上のダメージを処理しています。 また,クラスアクティベーションマップを用いたモデルの解釈可能性にも注目して,モデルの動作を覗き見する。 このモデルは、人間の専門家より優れているだけでなく、特定のトリッキーなケースでも優れている。 そこで本研究では, ひび割れなどのブレード故障によるO&Mコストを削減し, 風力エネルギー導入の促進を図る。

関連論文リスト

• You Only Look Twice! for Failure Causes Identification of Drill Bits [0.0]
  本研究では,異なるブレードの画像を用いたドリルビット故障の原因について検討した。 このプロセスでは、カッターにそれぞれの位置と損傷タイプをアノテートする。 完全な自動パイプラインの統合は、24の障害原因の100%をうまく特定しました。
  論文  参考訳（メタデータ） (2024-10-18T08:39:49Z)
• Efficient Backdoor Defense in Multimodal Contrastive Learning: A Token-Level Unlearning Method for Mitigating Threats [52.94388672185062]
  本稿では,機械学習という概念を用いて,バックドアの脅威に対する効果的な防御機構を提案する。 これは、モデルがバックドアの脆弱性を迅速に学習するのを助けるために、小さな毒のサンプルを戦略的に作成することを必要とする。 バックドア・アンラーニング・プロセスでは,新しいトークン・ベースの非ラーニング・トレーニング・システムを提案する。
  論文  参考訳（メタデータ） (2024-09-29T02:55:38Z)
• A Novel Approach for Defect Detection of Wind Turbine Blade Using Virtual Reality and Deep Learning [0.0]
  風力タービンの仮想モデルを構築し,4種類の共通欠陥に対する近接現実像を合成する。 第2のステップでは、タービンブレードの欠陥を分類してセグメント化するために、カスタマイズされたU-Netアーキテクチャが訓練されている。 提案手法は,航空機による自律的,遠隔的検査に適した,適切な欠陥検出精度を提供する。
  論文  参考訳（メタデータ） (2023-12-30T13:58:50Z)
• Beyond Labeling Oracles: What does it mean to steal ML models? [52.63413852460003]
  モデル抽出攻撃は、クエリアクセスのみで訓練されたモデルを盗むように設計されている。 モデル抽出攻撃の成功に影響を及ぼす要因について検討する。 我々は,ME攻撃の敵の目標を再定義するようコミュニティに促した。
  論文  参考訳（メタデータ） (2023-10-03T11:10:21Z)
• Isolation and Induction: Training Robust Deep Neural Networks against Model Stealing Attacks [51.51023951695014]
  既存のモデル盗難防衛は、被害者の後部確率に偽りの摂動を加え、攻撃者を誤解させる。 本稿では,モデルステルス防衛のための新規かつ効果的なトレーニングフレームワークである分離誘導(InI)を提案する。 モデルの精度を損なうモデル予測に摂動を加えるのとは対照的に、我々はモデルを訓練して、盗むクエリに対して非形式的なアウトプットを生成する。
  論文  参考訳（メタデータ） (2023-08-02T05:54:01Z)
• Learning to Identify Drilling Defects in Turbine Blades with Single Stage Detectors [15.842163335920954]
  タービンブレードのX線画像における網膜ドリル欠陥に基づくモデルを提案する。 このアプリケーションは、欠陥が非常に小さく、一般的に使用されるアンカーサイズによって捉えられにくい画像解像度のため、難しい。 このモデルを3ドルのクロスバリデーションで検証し,欠陥のある画像の同定に極めて高い精度を示す。
  論文  参考訳（メタデータ） (2022-08-08T18:44:51Z)
• Backdoor Attacks on Crowd Counting [63.90533357815404]
  クラウドカウント(Crowd counting)は、シーンイメージ内の人数を推定する回帰タスクである。 本稿では,深層学習に基づくクラウドカウントモデルのバックドア攻撃に対する脆弱性について検討する。
  論文  参考訳（メタデータ） (2022-07-12T16:17:01Z)
• An Automated System for Detecting Visual Damages of Wind Turbine Blades [2.8360662552057323]
  風力タービンブレードの損傷は、高い運転コストの原因となっている。 刃の損傷の視覚的識別に関する最近の研究は、まだ実験段階である。 モデルのパフォーマンスを達成するずっと前に、モデルを本番環境にプッシュすることは、真の価値を生み出すことができる、と私たちは主張します。
  論文  参考訳（メタデータ） (2022-05-22T23:17:49Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Automatic Borescope Damage Assessments for Gas Turbine Blades via Deep Learning [0.0]
  エアロエンジンのブレード部品は材料限界に近い。 コンプレッサとタービンブレードの運転中の損傷は、エンジンの性能に重大な即時的影響をもたらす。 ブレード視覚検査の現在の方法は、主にボアスコープイメージングに基づいている。
  論文  参考訳（メタデータ） (2021-02-23T11:44:10Z)
• Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
  現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。 より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
  論文  参考訳（メタデータ） (2020-06-23T15:58:22Z)

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。