論文の概要: Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2302.11947v2
- Date: Thu, 19 Dec 2024 15:13:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:28:07.869025
- Title: Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks
- Title(参考訳): 軽量畳み込みニューラルネットワークを用いた繊維リフティング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, Moncef Gabbouj,
- Abstract要約: 軽量畳み込みニューラルネットワークを用いた合成繊維ロープ画像の損傷検出システム
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。
モデルは96.5%の精度、94.8%の精度、98.3%のリコール、96.5%のF1スコア、99.3%のAUCで他の類似の手法より優れている。
- 参考スコア(独自算出の注目度): 14.553374494874374
- License:
- 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 efficient deep learning and computer vision methods to automate the process of detecting damaged ropes. Specifically, we present a vision-based system for detecting damage in synthetic fiber rope images using lightweight convolutional neural networks. We develop 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, systematically design a deep learning model, 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 similar techniques with 96.5% accuracy, 94.8% precision, 98.3% recall, 96.5% F1-score, and 99.3% 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 applications such as lifting, mooring, towing, climbing, and sailing.
- 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,損傷したロープを検出するプロセスを自動化するために,効率的な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,軽量畳み込みニューラルネットワーク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。
本研究では, 昇降ロープの表面を撮影し, プログレッシブ・アンド・テアを捉え, ロープの健康状態が悪化する様子を撮影するカメラ・ベースの装置を開発した。
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、正常または損傷を与えた。
そして、画像の事前処理を行い、ディープラーニングモデルを体系的に設計し、その検出と予測性能を評価し、その計算複雑性を分析し、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96.5%の精度、94.8%の精度、98.3%のリコール、96.5%のF1スコア、99.3%のAUCで他の類似の手法よりも優れていた。
さらに、このモデルのリアルタイム動作、メモリフットプリントの低さ、様々な環境および運用条件に対する堅牢性、リフト、係留、曳航、登山、帆走といった産業用途への展開の適性も示している。
関連論文リスト
- Fall Detection in Passenger Elevators using Intelligent Surveillance Camera Systems: An Application with YoloV8 Nano Model [0.0]
本研究は, エレベータ内の転倒事故の同定におけるYoloV8 Nanoモデルの適用に焦点を当てた。
モデルの性能は85%の精度で、秋の検知では82%のリコールがあり、既存のエレベーター安全システムとの統合の可能性を強調している。
論文 参考訳(メタデータ) (2024-12-30T13:37:48Z) - Improving Post-Earthquake Crack Detection using Semi-Synthetic Generated Images [0.9004446310840473]
本研究では,損傷検出システムのトレーニング中にデータ拡張として使用する半合成画像を生成する手法を提案する。
本研究の目的は, ひび割れの画像を生成することであり, 損傷の有意かつ示唆的な形態である。
中心となる概念は、パラメトリックメタアノテーションを使用して、実単語構造の3Dモデルに亀裂を発生させるプロセスを導くことである。
論文 参考訳(メタデータ) (2024-12-06T13:48:40Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳(メタデータ) (2024-11-28T13:04:45Z) - 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) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-03T13:24:06Z) - 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) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳(メタデータ) (2022-04-19T16:21:36Z) - RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration
via Explainable AI Systems [8.430502131775722]
気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。
本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。
気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
論文 参考訳(メタデータ) (2022-04-03T12:45:00Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - Deep Learning for Vision-Based Fall Detection System: Enhanced Optical
Dynamic Flow [27.791093798619503]
深層学習の影響は、行動認識のような視覚ベースのシステムの景観を変えた。
深層学習技術は、視覚に基づく転倒検出システムではうまく実装されていない。
本研究の目的は,転倒検出の精度を向上させる視覚に基づく転倒検出システムを提案することである。
論文 参考訳(メタデータ) (2021-03-18T08:14:25Z) - Circumventing Outliers of AutoAugment with Knowledge Distillation [102.25991455094832]
AutoAugmentは多くの視覚タスクの精度を向上させる強力なアルゴリズムである。
本論文は作業機構を深く掘り下げ,AutoAugmentがトレーニング画像から識別情報の一部を除去できることを明らかにする。
教師モデルの出力に言及した知識蒸留を用いて,ネットワークトレーニングの指導を行う。
論文 参考訳(メタデータ) (2020-03-25T11:51:41Z)
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。