論文の概要: Wood-sleeper Decayed Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs

• arxiv url: http://arxiv.org/abs/2305.05103v1
• Date: Tue, 9 May 2023 00:16:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 14:13:57.779374
• Title: Wood-sleeper Decayed Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs
• Title（参考訳）: 教師なし深部FCDDを用いた農村鉄道診断のための木製スリーパーの劣化検出
• Authors: Takato Yasuno, Masahiro Okano, and Junichiro Fujii
• Abstract要約: 本稿では,欠陥鉄道部品に対する一級損傷分類を自動化するための識別器パイプラインを提案する。 CNN27, VGG16, ResNet101, Inception Networksをベースとした畳み込みニューラルネットワーク(CNN)を用いて, 背骨と受容野に対する感度を解析した。 本稿では, 鉄道部品のオープンアクセスデータセットにおける鉄道検査の応用と, 農村鉄道における木材の劣化について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is critical for railway managers to maintain a high standard to ensure user safety during daily operations. Top-view or side-view cameras and GPS positioning system have enabled progress toward automating the periodic inspection of defective features and assessing the deteriorated status of the railway components. Frequently, collecting deteriorated status data constraints time consuming and repeated data acquisition, because the temporal occurrence is extremely imbalanced. Supervised learning approach requires thousands of paired dataset of defective raw images and annotated labels. However, one-class classification approach has a merit that fewer images enables us to optimize the parameters for training normal and anomalous feature. Simultaneously, the visual heat map explanation enables us to discriminate the localized damage feature. In this paper, we propose a prognostic discriminator pipeline to automate one-class damage classification towards defective railway components. We also sensitivity analyze toward the backbone and the receptive field based on convolutional neural networks (CNNs) using pretrained networks: baseline CNN27, VGG16, ResNet101, and Inception Networks. We also visualize the explanation of the defective railway feature using a transposed Gaussian upsampling. We demonstrate our application for railway inspection in an open-accessed dataset of defective railway components, and wood-sleeper deterioration in rural railway. The heatmap is so important that the hazard-marks could cause an operational delay, an urgent inspection, and unexpected accident to passenger impact in railway inspection. Furthermore, we mention its usability for prognostic monitoring and future works for railway components inspection in the predictive maintenance of railway systems.
• Abstract（参考訳）: 日々の運行中に利用者の安全を確保するためには、鉄道管理者が高い基準を維持することが重要である。 トップビューまたはサイドビューカメラとGPS測位システムにより、欠陥点検の定期的な自動化と、鉄道部品の劣化状況の評価が可能となった。 時間的発生が極端に不均衡であるため、しばしば、劣化した状態データ制約を収集し、繰り返しデータ取得を行う。 監視された学習アプローチには、欠陥のある生画像と注釈付きラベルの数千のデータセットが必要である。 しかし、一方のクラス分類アプローチは、正規および異常な特徴をトレーニングするためのパラメータを最適化できるイメージが少ないというメリットがある。 同時に、視覚的な熱マップの説明により、局所的な損傷の特徴を識別することができる。 本稿では,欠陥鉄道部品に対する一級損傷分類を自動化するための識別器パイプラインを提案する。 また,前訓練ネットワーク(ベースラインCNN27,VGG16,ResNet101,Inception Networks)を用いた畳み込みニューラルネットワーク(CNN)に基づくバックボーンと受容野に対する感度解析を行った。 また, トランスポーズしたガウスアンアップサンプリングを用いて, 欠陥鉄道の特徴を説明する。 本稿では, 鉄道部品のオープンアクセスデータセットにおける鉄道検査の応用と, 農村鉄道における木材の劣化について紹介する。 ヒートマップは非常に重要で、ハザードマークは運行遅延、緊急検査、そして旅客の鉄道検査における予期せぬ事故を引き起こす可能性がある。 さらに, 鉄道システムの予測保守における, 予測監視と鉄道部品検査の今後の課題について述べる。

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)
• Local and Global Information in Obstacle Detection on Railway Tracks [30.90745722512406]
  鉄道画像から線路分割を学習するための浅層ネットワークの利用を提案する。 ネットワークの受容領域は、過信の予測を防ぐ。 本手法は, 人工的な障害物を有する鉄道画像を含むカスタムデータセット上で評価する。
  論文  参考訳（メタデータ） (2023-07-28T11:07:34Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application [0.0]
  モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
  論文  参考訳（メタデータ） (2023-03-03T06:27:15Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Meta-learning with GANs for anomaly detection, with deployment in high-speed rail inspection system [7.220842608593749]
  ビッグデータによるAI時代における異常検出の主な課題は、潜在的な異常タイプに関する事前知識の欠如である。 本稿では,GAN(Generative Adversarial Network)の概念を,損失関数の適切な選択に取り入れる。 当社のフレームワークは2021年以降、中国の5つの高速鉄道に配備されており、99.7%以上の作業負荷を削減し、96.7%の検査時間を節約している。
  論文  参考訳（メタデータ） (2022-02-11T17:43:49Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Learn to Predict Vertical Track Irregularity with Extremely Imbalanced Data [6.448383767373112]
  中国における複数の鉄道が生み出した実世界の大規模データセットに基づいて,垂直軌道の不規則性を予測するためのアプリケーション・フレームワークについて紹介する。 また,適応型データサンプリングとペナル化損失を用いた時系列予測タスクにおいて,不均衡なデータを扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-05T15:49:39Z)

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。