Fugu-MT 論文翻訳(概要): Image-based Detection of Surface Defects in Concrete during Construction

論文の概要: Image-based Detection of Surface Defects in Concrete during Construction

arxiv url: http://arxiv.org/abs/2208.02313v1
Date: Wed, 3 Aug 2022 19:05:12 GMT
ステータス: 処理完了
システム内更新日: 2022-08-05 12:15:40.417871
Title: Image-based Detection of Surface Defects in Concrete during Construction
Title（参考訳）: 施工中のコンクリート表面欠陥の画像に基づく検出
Authors: Dominik Kuhnke, Monika Kwiatkowski, Olaf Hellwich
Abstract要約: この研究は、コンクリート構造物の重大な欠陥であるハニカムの検出に焦点を当てている。 Webイメージは、ハニカムの選択のみを表し、完全な分散をキャプチャしない。 CNNはコンクリート中のハニカムの検出を支援することができる。
参考スコア（独自算出の注目度）: 2.9649783577150837
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Defects increase the cost and duration of construction projects. Automating defect detection would reduce documentation efforts that are necessary to decrease the risk of defects delaying construction projects. Since concrete is a widely used construction material, this work focuses on detecting honeycombs, a substantial defect in concrete structures that may even affect structural integrity. First, images were compared that were either scraped from the web or obtained from actual practice. The results demonstrate that web images represent just a selection of honeycombs and do not capture the complete variance. Second, Mask R-CNN and EfficientNet-B0 were trained for honeycomb detection to evaluate instance segmentation and patch-based classification, respectively achieving 47.7% precision and 34.2% recall as well as 68.5% precision and 55.7% recall. Although the performance of those models is not sufficient for completely automated defect detection, the models could be used for active learning integrated into defect documentation systems. In conclusion, CNNs can assist detecting honeycombs in concrete.
Abstract（参考訳）: 欠陥は建設プロジェクトのコストと期間を増加させる。欠陥検出の自動化は、建設プロジェクトを遅らせる欠陥のリスクを低減するために必要なドキュメントの労力を削減します。コンクリートは広く使用されている建設材料であるため、この研究はハニカムの検出に焦点が当てられている。まず、ウェブから取り除かれた画像と実際の実践から得られた画像を比較した。その結果,web画像はハニカムの選び方を表し,完全なばらつきを捉えていないことがわかった。第2に,ハニカム検出のためにマスクr-cnnとhivenet-b0を訓練し,それぞれ47.7%の精度と34.2%のリコール,68.5%の精度と55.7%のリコールを達成した。これらのモデルの性能は完全自動欠陥検出には不十分だが、これらのモデルは欠陥文書システムに統合されたアクティブな学習に使用できる。結論として、CNNはコンクリート中のハニカムの検出を支援することができる。

関連論文リスト

SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文参考訳（メタデータ） (2024-07-23T20:34:23Z)
On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments [0.0]
本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
論文参考訳（メタデータ） (2023-12-14T05:11:30Z)
Automated crack propagation measurement on asphalt concrete specimens using an optical flow-based deep neural network [0.0]
本稿では,アスファルトコンクリート(AC)試料のひび割れ伝播を測定するディープニューラルネットワーク,すなわちCrackPropNetを提案する。 CrackPropNetは、参照画像とデフォルメ画像の様々な場所で特徴を一致させて、変位場不連続の位置を学習する。ひび割れ現象の特徴付け、交流き裂ポテンシャルの評価、試験プロトコルの検証、理論モデルの検証に応用できる。
論文参考訳（メタデータ） (2023-03-10T14:45:37Z)
Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文参考訳（メタデータ） (2023-03-06T11:51:28Z)
Forensicability Assessment of Questioned Images in Recapturing Detection [78.45849869266834]
質問されたサンプルの鑑定可能性の定量化のための鑑定可能性評価ネットワークを提案する。低フォレンシビリティサンプルは、実際の再適応検出プロセスの前に拒絶され、再適応システムの効率が向上する。我々は、トレーニングされたFANetと、アンチ・スプーフィングと再適応された文書検出タスクの実践的な再適応検出スキームを統合する。
論文参考訳（メタデータ） (2022-09-05T12:26:01Z)
Engineering deep learning methods on automatic detection of damage in infrastructure due to extreme events [0.38233569758620045]
本稿では,深層学習を用いた極端な事象における自動構造損傷検出(SDD)に関する実験的検討を行った。最初の研究では、152層のResidual Network(ResNet)を用いて8つのSDDタスクで複数のクラスを分類する。その結果,損傷検出の精度はセグメンテーションネットワークのみを用いた場合に比べて有意に向上した。
論文参考訳（メタデータ） (2022-05-01T19:55:56Z)
Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。今後はOOD体制に重点を置くべきだと我々は主張する。
論文参考訳（メタデータ） (2020-11-20T10:30:43Z)
Revisiting Batch Normalization for Improving Corruption Robustness [85.20742045853738]
モデルロバスト性を改善するために, モデルロバスト性を改善するために, バッチ正規化統計の修正を提案する。モデルを再トレーニングすることなく、BN統計をいくつかの表現サンプル上で単純に推定し、適応させることで、大きなマージンによる腐敗の堅牢性を向上させることが判明した。
論文参考訳（メタデータ） (2020-10-07T19:56:47Z)
Detection Of Concrete Cracks using Dual-channel Deep Convolutional Network [0.0]
本研究では, 深部畳み込みニューラルネットワーク(CNN)を用いたひび割れ検出手法を提案する。コンクリートクラックを用いた3200枚のラベル付き画像データベースが作成されており, コントラスト, 照明条件, 方向, ひび割れの重症度は極めて多様であった。我々は,両チャネル深部CNNを設計し,高い精度(92.25%)と現実的状況におけるコンクリートのひび割れ発見の堅牢性を示した。
論文参考訳（メタデータ） (2020-09-22T15:17:02Z)
Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文参考訳（メタデータ） (2020-08-06T02:07:21Z)
Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge [0.0]
画像から画像への変換マッピングを用いて、損傷画像を生成する合成拡張手法を提案する。我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。合成拡張法で加算されたデータセットの再トレーニングは、平均IoU、興味の損傷領域IoU、精度、リコール、BFスコアに基づいて、テスト画像の予測時に精度が高くなることを示した。
論文参考訳（メタデータ） (2020-05-07T06:04:02Z)

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。