論文の概要: Segmentation Framework for Heat Loss Identification in Thermal Images: Empowering Scottish Retrofitting and Thermographic Survey Companies

• arxiv url: http://arxiv.org/abs/2308.03631v1
• Date: Mon, 7 Aug 2023 14:36:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 13:14:38.677828
• Title: Segmentation Framework for Heat Loss Identification in Thermal Images: Empowering Scottish Retrofitting and Thermographic Survey Companies
• Title（参考訳）: 熱画像における熱損失同定のためのセグメンテーション・フレームワーク:スコットランドのリトロフィッティングとサーモグラフィー会社を活用
• Authors: Md Junayed Hasan, Eyad Elyan, Yijun Yan, Jinchang Ren, Md Mostafa Kamal Sarker
• Abstract要約: 本研究では,Mask領域提案畳み込みニューラルネットワーク(Mask RCNN)を用いたディープラーニング(DL)に基づくセグメンテーションフレームワークを提案する。 本フレームワークの目的は, 弱い断熱によって引き起こされる熱損失源を同定し, かつ, それらの画像に存在する閉塞物を除去することである。
• 参考スコア（独自算出の注目度）: 3.663784777941382
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retrofitting and thermographic survey (TS) companies in Scotland collaborate with social housing providers to tackle fuel poverty. They employ ground-level infrared (IR) camera-based-TSs (GIRTSs) for collecting thermal images to identi-fy the heat loss sources resulting from poor insulation. However, this identifica-tion process is labor-intensive and time-consuming, necessitating extensive data processing. To automate this, an AI-driven approach is necessary. Therefore, this study proposes a deep learning (DL)-based segmentation framework using the Mask Region Proposal Convolutional Neural Network (Mask RCNN) to validate its applicability to these thermal images. The objective of the framework is to au-tomatically identify, and crop heat loss sources caused by weak insulation, while also eliminating obstructive objects present in those images. By doing so, it min-imizes labor-intensive tasks and provides an automated, consistent, and reliable solution. To validate the proposed framework, approximately 2500 thermal imag-es were collected in collaboration with industrial TS partner. Then, 1800 repre-sentative images were carefully selected with the assistance of experts and anno-tated to highlight the target objects (TO) to form the final dataset. Subsequently, a transfer learning strategy was employed to train the dataset, progressively aug-menting the training data volume and fine-tuning the pre-trained baseline Mask RCNN. As a result, the final fine-tuned model achieved a mean average precision (mAP) score of 77.2% for segmenting the TO, demonstrating the significant po-tential of proposed framework in accurately quantifying energy loss in Scottish homes.
• Abstract（参考訳）: スコットランドのリトロフィッティングとサーモグラフィー調査会社(TS)は、燃料の貧困に対処するため、社会住宅プロバイダーと協力している。 熱画像の収集には地上レベルの赤外線カメラベースTS(GIRTSs)を使用し、断熱性の低い熱損失源を識別する。 しかし、この特定化プロセスは労働集約的で時間を要するため、広範なデータ処理が必要である。 これを自動化するには、AI駆動のアプローチが必要である。 そこで本研究では,Mask Region Proposal Convolutional Neural Network (Mask RCNN) を用いた深層学習(DL)に基づくセグメンテーションフレームワークを提案する。 この枠組みの目的は、弱い絶縁による熱損失源をau-tomaticに同定し、それらの画像に存在する妨害対象を排除することである。 そうすることで、労働集約的なタスクを最小化し、自動化され、一貫性があり、信頼性の高いソリューションを提供する。 提案手法を検証するため,産業TSパートナーと共同で約2500個の熱画像を収集した。 そして、専門家の助けを借りて1800枚の再帰画像を慎重に選択し、ターゲットオブジェクト(TO)を強調して最終データセットを作成した。 その後、データセットのトレーニングにトランスファー学習戦略を採用し、トレーニングデータ量を徐々に増加させ、トレーニング済みベースラインであるMask RCNNを微調整した。 その結果、最終微調整モデルでは平均的な平均精度(mAP)が77.2%に達し、スコットランドの住宅におけるエネルギー損失を正確に定量化するための枠組みが提案された。

関連論文リスト

• Thermal Face Image Classification using Deep Learning Techniques [0.0]
  この研究は畳み込みニューラルネットワーク(CNN)アーキテクチャ、特にResNet-50とVGGNet-19を使用して、熱画像から特徴を抽出する。 実験により,提案手法の有効性を精度と効率の観点から検証した。
  論文  参考訳（メタデータ） (2023-11-04T03:56:40Z)
• THRawS: A Novel Dataset for Thermal Hotspots Detection in Raw Sentinel-2 Data [4.077787659104315]
  THRawSは、温度の高いホットスポットを含むSentinel-2(S-2)の生データからなる最初のデータセットである。 堅牢なAIアーキテクチャの実現を促進するため、データセットは世界中のデータを集めている。
  論文  参考訳（メタデータ） (2023-05-12T09:54:21Z)
• Does Thermal Really Always Matter for RGB-T Salient Object Detection? [153.17156598262656]
  本稿では,RGB-T有意物体検出(SOD)タスクを解決するために,TNetというネットワークを提案する。 本稿では,画像のグローバル照度を推定するためのグローバル照度推定モジュールを提案する。 一方, 2段階の局所化と相補化モジュールを導入し, 熱的特徴の物体位置化キューと内部整合キューをRGBモダリティに転送する。
  論文  参考訳（メタデータ） (2022-10-09T13:50:12Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Maximizing Self-supervision from Thermal Image for Effective Self-supervised Learning of Depth and Ego-motion [78.19156040783061]
  熱画像からの深度とエゴモーションの自己教師付き学習は、困難なシナリオ下で強い堅牢性と信頼性を示す。 弱いコントラスト、ぼやけたエッジ、ノイズなどの固有の熱画像特性は、熱画像から効果的な自己スーパービジョンを生成するために障害となる。 本研究では,時間的一貫性を維持しつつ,全体構造,コントラスト,詳細などの画像情報を大幅に向上させる有効熱画像マッピング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-12T09:49:24Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Photothermal-SR-Net: A Customized Deep Unfolding Neural Network for Photothermal Super Resolution Imaging [9.160910754837756]
  本論文では, 基礎物理を考慮した深部展開によるデコンボリューションを行う光熱SR-Netを提案する。 光熱SR-Netは、各畳み込み層の得られた熱画像に訓練されたブロック分散しきい値を適用します。
  論文  参考訳（メタデータ） (2021-04-21T14:41:04Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)
• Unsupervised Image-generation Enhanced Adaptation for Object Detection in Thermal images [4.810743887667828]
  本稿では、熱画像における物体検出のための教師なし画像生成拡張適応法を提案する。 可視領域と熱領域のギャップを低減するため,提案手法は擬似熱画像を生成する。 提案手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-02-17T04:53:30Z)

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。