論文の概要: Fast Recognition of birds in offshore wind farms based on an improved deep learning model

• arxiv url: http://arxiv.org/abs/2306.16019v1
• Date: Wed, 28 Jun 2023 08:47:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 15:06:45.702255
• Title: Fast Recognition of birds in offshore wind farms based on an improved deep learning model
• Title（参考訳）: 改良型深層学習モデルに基づくオフショア風力発電所における鳥の高速認識
• Authors: Yantong Liu, Xingke Li, Jong-Chan Lee
• Abstract要約: 鳥類検出作業におけるこのモデルの精度は87.40%に達し、21.25%の増加となる。 このモデルでは、風力タービン付近の鳥をリアルタイムで検出でき、夜間、雨季、不安定な条件で強い安定性を示す。
• 参考スコア（独自算出の注目度）: 0.19336815376402716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The safety of wind turbines is a prerequisite for the stable operation of offshore wind farms. However, bird damage poses a direct threat to the safe operation of wind turbines and wind turbine blades. In addition, millions of birds are killed by wind turbines every year. In order to protect the ecological environment and maintain the safe operation of offshore wind turbines, and to address the problem of the low detection capability of current target detection algorithms in low-light environments such as at night, this paper proposes a method to improve the network performance by integrating the CBAM attention mechanism and the RetinexNet network into YOLOv5. First, the training set images are fed into the YOLOv5 network with integrated CBAM attention module for training, and the optimal weight model is stored. Then, low-light images are enhanced and denoised using Decom-Net and Enhance-Net, and the accuracy is tested on the optimal weight model. In addition, the k-means++ clustering algorithm is used to optimise the anchor box selection method, which solves the problem of unstable initial centroids and achieves better clustering results. Experimental results show that the accuracy of this model in bird detection tasks can reach 87.40%, an increase of 21.25%. The model can detect birds near wind turbines in real time and shows strong stability in night, rainy and shaky conditions, proving that the model can ensure the safe and stable operation of wind turbines.
• Abstract（参考訳）: 風力タービンの安全性は、沖合の風力発電所の安定した運用の前提条件である。 しかし、鳥の損傷は風力タービンと風力タービンブレードの安全運転に直接的な脅威をもたらす。 さらに、毎年何百万もの鳥が風力タービンで死んでいる。 そこで本稿では, 環境保全と洋上風力タービンの安全な運転の維持を目的として, 夜間等の低照度環境における電流ターゲット検出アルゴリズムの低検出性能の問題に対処するため, cbamアテンション機構とretinexnetネットワークをyolov5に統合することにより, ネットワーク性能を向上させる手法を提案する。 まず、トレーニング用CBAMアテンションモジュールを内蔵したYOLOv5ネットワークにトレーニングセット画像を入力し、最適な重量モデルを保存する。 次に、デコンネットとエンハンスネットを用いて低照度画像の強調表示を行い、その精度を最適重みモデルで検証する。 さらに、k-means++クラスタリングアルゴリズムを用いてアンカーボックス選択法を最適化し、不安定な初期セントロイドの問題を解消し、より優れたクラスタリング結果を得る。 実験の結果、鳥類検出作業におけるこのモデルの精度は87.40%に達し、21.25%が増加することが示された。 モデルは,風力タービン近傍の鳥をリアルタイムに検出し,夜間,雨季,風況に強い安定性を示し,そのモデルが風力タービンの安全かつ安定した運転を保証することを証明した。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Deep Reinforcement Learning for Multi-Objective Optimization: Enhancing Wind Turbine Energy Generation while Mitigating Noise Emissions [0.4218593777811082]
  風力タービンの深部強化学習を用いたトルクピッチ制御フレームワークを開発した。 我々は、風力タービンパラメータの正確な制御を可能にするために、ブレード要素運動量解決器と組み合わされた二重深度Q-ラーニングを用いる。
  論文  参考訳（メタデータ） (2024-07-18T09:21:51Z)
• FullLoRA-AT: Efficiently Boosting the Robustness of Pretrained Vision Transformers [61.48709409150777]
  Vision Transformer (ViT) モデルは、様々なコンピュータビジョンタスクにおいて徐々に主流になりつつある。 既存の大きなモデルは、トレーニング中のパフォーマンスを優先する傾向があり、ロバストさを無視する可能性がある。 従来のLoRAモジュールよりも前に学習可能なレイヤ正規化を取り入れた新しいLNLoRAモジュールを開発した。 本稿では,学習可能なLNLoRAモジュールをViTモデルの主要コンポーネントに組み込むことにより,FullLoRA-ATフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-03T14:08:39Z)
• A real-time material breakage detection for offshore wind turbines based on improved neural network algorithm [0.0]
  本研究は、YOLOv8オブジェクト検出モデルの高度なバージョンを活用する新しいアプローチを提案する。 我々は,Semangeum洋上風力発電所の5,432枚の画像と,公開されているデータセットを用いている。 この結果, 欠陥検出安定性が著しく向上し, タービンの効率向上に向けた重要な歩みが示された。
  論文  参考訳（メタデータ） (2023-07-25T18:50:05Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery [17.639472693362926]
  BladeNetは、教師なしタービンブレードの検出と抽出の両方を行うアプリケーションベースで堅牢なデュアルアーキテクチャである。 我々の二重構造はガラス繊維複合材ブレードの表面欠陥を高い適性で検出する。 BladeNetは、オフショア風力タービンのためのOrstedブレード検査データセットで0.995のAverage Precision(AP)を、デンマーク工科大学(DTU)のNordTankタービン検査データセットで0.223のAverage Precision(AP)を生成しています。
  論文  参考訳（メタデータ） (2021-12-01T15:20:12Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。 本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
  論文  参考訳（メタデータ） (2021-01-20T00:46:52Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。