論文の概要: Integrating Edge-AI in Structural Health Monitoring domain

• arxiv url: http://arxiv.org/abs/2304.03718v1
• Date: Fri, 7 Apr 2023 16:30:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 11:27:37.287809
• Title: Integrating Edge-AI in Structural Health Monitoring domain
• Title（参考訳）: 構造健康モニタリング領域におけるエッジAIの統合
• Authors: Anoop Mishra, Gopinath Gangisetti, Deepak Khazanchi
• Abstract要約: 文学におけるほとんどのAI/MLモデルは、リアルタイム環境での実行中にレイテンシが低く、遅延推論時間に問題がある。 本研究は, SHM領域におけるエッジAIの統合を, リアルタイム橋梁検査のために検討することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural health monitoring (SHM) tasks like damage detection are crucial for decision-making regarding maintenance and deterioration. For example, crack detection in SHM is crucial for bridge maintenance as crack progression can lead to structural instability. However, most AI/ML models in the literature have low latency and late inference time issues while performing in real-time environments. This study aims to explore the integration of edge-AI in the SHM domain for real-time bridge inspections. Based on edge-AI literature, its capabilities will be valuable integration for a real-time decision support system in SHM tasks such that real-time inferences can be performed on physical sites. This study will utilize commercial edge-AI platforms, such as Google Coral Dev Board or Kneron KL520, to develop and analyze the effectiveness of edge-AI devices. Thus, this study proposes an edge AI framework for the structural health monitoring domain. An edge-AI-compatible deep learning model is developed to validate the framework to perform real-time crack classification. The effectiveness of this model will be evaluated based on its accuracy, the confusion matrix generated, and the inference time observed in a real-time setting.
• Abstract（参考訳）: 損傷検出などの構造的健康モニタリング(SHM)タスクは、メンテナンスと劣化に関する意思決定に不可欠である。 例えば、SHMのひび割れ検出は、ひび割れの進行が構造不安定につながるため、橋梁維持に不可欠である。 しかし、文献中のほとんどのAI/MLモデルは、リアルタイム環境での実行中にレイテンシが低く、遅延推論時間に問題がある。 本研究では,リアルタイム橋梁検査のためのエッジAIをSHMドメインに統合することを目的とした。 エッジAIの文献に基づいて、SHMタスクにおけるリアルタイム意思決定支援システムにおいて、リアルタイムの推論を物理サイトで実行できるように、その能力は貴重な統合となる。 この研究は、Google Coral Dev BoardやKneron KL520といった商用エッジAIプラットフォームを使用して、エッジAIデバイスの有効性を開発し、分析する。 そこで本研究では,構造的健康モニタリング領域のためのエッジAIフレームワークを提案する。 リアルタイムクラック分類を行うためのフレームワークを検証するために,エッジAI互換のディープラーニングモデルを開発した。 このモデルの有効性は、その正確性、混乱行列の生成、およびリアルタイム設定で観測される推論時間に基づいて評価される。

関連論文リスト

• Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
  機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。 これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
  論文  参考訳（メタデータ） (2024-02-15T18:41:35Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Concrete Surface Crack Detection with Convolutional-based Deep Learning Models [0.0]
  き裂検出は、建物の構造的健康モニタリングと検査に重要である。 畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。 我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
  論文  参考訳（メタデータ） (2024-01-13T17:31:12Z)
• Synergistic Signal Denoising for Multimodal Time Series of Structure Vibration [9.144905626316534]
  本稿では,構造的健康モニタリング(SHM)で広く用いられているマルチモーダル振動信号に固有の複雑さに適した,新しいディープラーニングアルゴリズムを提案する。 畳み込みと再帰的なアーキテクチャの融合により、アルゴリズムは局所化と長期化の両方の構造挙動を順応的にキャプチャする。 以上の結果から,複数のSHMシナリオにおける予測精度,早期損傷検出,適応性に有意な改善が認められた。
  論文  参考訳（メタデータ） (2023-08-17T00:41:50Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)
• CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection [0.618778092044887]
  現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。 本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。 本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-16T02:31:38Z)
• Why model why? Assessing the strengths and limitations of LIME [0.0]
  本稿では,LIME(Local Interpretable Model-Agnostic Explanations) xAIフレームワークの有効性について検討する。 LIMEは、文献で見られる最も人気のあるモデルに依存しないフレームワークの1つである。 従来の性能評価手法を補うためにLIMEをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2020-11-30T21:08:07Z)
• A Hierarchical Deep Convolutional Neural Network and Gated Recurrent Unit Framework for Structural Damage Detection [0.0]
  本稿では,空間的・時間的関係をモデル化する新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。 提案したHCGは,既存の構造損傷検出法よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-29T07:55:04Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)

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。