Fugu-MT 論文翻訳(概要): Real-Time Damage Detection in Fiber Lifting Ropes Using Convolutional Neural Networks

論文の概要: Real-Time Damage Detection in Fiber Lifting Ropes Using Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2302.11947v1
Date: Thu, 23 Feb 2023 11:44:43 GMT
ステータス: 処理完了
システム内更新日: 2023-02-24 15:36:05.754247
Title: Real-Time Damage Detection in Fiber Lifting Ropes Using Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークを用いた繊維昇降ロープのリアルタイム損傷検出
Authors: Tuomas Jalonen, Mohammad Al-Sa'd, Roope Mellanen, Serkan Kiranyaz, and Moncef Gabbouj
Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いた合成繊維ロープ画像の損傷検出システムを提案する。ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。実験の結果、提案されたモデルは96.4%の精度、95.8%の精度、97.2%のリコール、96.5%のF1スコア、99.2%のAUCで他の手法よりも優れていた。
参考スコア（独自算出の注目度）: 19.093832934990044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The health and safety hazards posed by worn crane lifting ropes mandate periodic inspection for damage. This task is time-consuming, prone to human error, halts operation, and may result in the premature disposal of ropes. Therefore, we propose using deep learning and computer vision methods to automate the process of detecting damaged ropes. Specifically, we present a novel vision-based system for detecting damage in synthetic fiber rope images using convolutional neural networks (CNN). We use a camera-based apparatus to photograph the lifting rope's surface, while in operation, and capture the progressive wear-and-tear as well as the more significant degradation in the rope's health state. Experts from Konecranes annotate the collected images in accordance with the rope's condition; normal or damaged. Then, we pre-process the images, design a CNN model in a systematic manner, evaluate its detection and prediction performance, analyze its computational complexity, and compare it with various other models. Experimental results show the proposed model outperforms other techniques with 96.4% accuracy, 95.8% precision, 97.2% recall, 96.5% F1-score, and 99.2% AUC. Besides, they demonstrate the model's real-time operation, low memory footprint, robustness to various environmental and operational conditions, and adequacy for deployment in industrial systems.
Abstract（参考訳）: クレーンの吊り上げロープによる健康と安全の危険は、損傷の定期的な検査を義務付ける。この作業は時間がかかり、ヒューマンエラーを起こしやすいため、操作が停止し、ロープを早期に廃棄する可能性がある。そこで本研究では,損傷したロープを自動検出する深層学習とコンピュータビジョン手法を提案する。具体的には、畳み込みニューラルネットワーク(CNN)を用いて合成繊維ロープ画像の損傷を検出する新しい視覚ベースシステムを提案する。カメラをベースとする装置を用いて, 吊り上げロープの表面を撮影し, 進行的な摩耗・触角を捉え, また, ロープの健康状態が著しく低下する様子を捉えた。ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付ける。次に、画像の事前処理を行い、cnnモデルを体系的に設計し、その検出と予測性能を評価し、計算の複雑さを分析し、他の様々なモデルと比較する。実験の結果、提案されたモデルは96.4%の精度、95.8%の精度、97.2%のリコール、96.5%のF1スコア、99.2%のAUCで他の手法よりも優れていた。さらに、モデルのリアルタイム運用、メモリフットプリントの低さ、さまざまな環境や運用条件への堅牢性、産業システムへの展開適性などが実証された。

関連論文リスト

Intelligent Anomaly Detection for Lane Rendering Using Transformer with Self-Supervised Pre-Training and Customized Fine-Tuning [8.042684255871707]
本稿では,車線描画画像の異常検出を分類問題に変換する。本研究では,データ前処理,マスク付き画像モデリング(MiM)手法による自己教師付き事前学習,ラベル平滑化によるクロスエントロピーベース損失を用いた微調整,後処理からなる4相パイプラインを提案する。その結果,提案パイプラインは車線描画画像異常検出において優れた性能を示すことがわかった。
論文参考訳（メタデータ） (2023-12-07T16:10:10Z)
Classification robustness to common optical aberrations [64.08840063305313]
本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。 ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
論文参考訳（メタデータ） (2023-08-29T08:36:00Z)
Robust Lane Detection through Self Pre-training with Masked Sequential Autoencoders and Fine-tuning with Customized PolyLoss [0.0]
車線検出は、自動走行の基礎となる車両のローカライゼーションに不可欠である。本稿では、エンドツーエンドニューラルネットワークモデルのための自己学習マスク付きシーケンシャルオートエンコーダと、カスタマイズされたPolyLossによる微調整のパイプラインを提案する。実験の結果,提案したパイプラインでは,車線検出モデルの性能は最先端以上のものとなることがわかった。
論文参考訳（メタデータ） (2023-05-26T21:36:08Z)
Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
論文参考訳（メタデータ） (2023-04-13T08:30:46Z)
Automated Defect Recognition of Castings defects using Neural Networks [2.4999739879492084]
CNNモデルは自動車用アルミニウム鋳造データセット(GDXray)に適用した場合、94.2%の精度(mAP@IoU=50%)を達成する産業環境では,DICOM画像当たり400ms以下であり,納期に影響を与えることなく生産施設に設置することができる。
論文参考訳（メタデータ） (2022-09-06T08:10:48Z)
Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文参考訳（メタデータ） (2022-07-13T13:59:59Z)
Phase Aberration Robust Beamformer for Planewave US Using Self-Supervised Learning [41.10604715789614]
本稿では,位相収差堅牢な平面波イメージングを実現する3次元CNNを提案する。我々のアプローチは、ネットワークが様々な位相収差画像から高品質な画像を堅牢に生成するために、自己教師型で訓練されているという点で独特である。
論文参考訳（メタデータ） (2022-02-16T12:17:01Z)
MDN-VO: Estimating Visual Odometry with Confidence [34.8860186009308]
視覚オドメトリー(VO)は、ロボット工学や自律システムを含む多くのアプリケーションで使われている。本研究では、6-DoFのポーズを推定する深層学習に基づくVOモデルと、これらの推定に対する信頼度モデルを提案する。本実験は,本モデルが故障事例の検出に加えて,最先端の性能を上回ることを示す。
論文参考訳（メタデータ） (2021-12-23T19:26:04Z)
Operationalizing Convolutional Neural Network Architectures for Prohibited Object Detection in X-Ray Imagery [15.694880385913534]
本稿では,近年の2つのエンドツーエンドオブジェクト検出CNNアーキテクチャ,Cascade R-CNNとFreeAnchorの実現可能性について検討する。パラメータが少なく訓練時間も少ないため、FreeAnchorは13 fps (3.9 ms)の最大検出速度を達成している。 CNNモデルは、損失のある圧縮に対してかなりのレジリエンスを示し、JPEG圧縮レベル50においてmAPの1.1%しか減少しない。
論文参考訳（メタデータ） (2021-10-10T21:20:04Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は世界でも不可逆的な盲目の主要な原因です 7000万人以上が影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文参考訳（メタデータ） (2020-10-15T03:09:08Z)

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。